Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням

Створено формальну логіко-математична модель управління навчанням в умовах компетентністного підходу. Запропоновано нейронечіткий підхід прийняття рішень, що базується на послідовному визначенні ступеня інтеграції та визначення найсуттєвішого впливу міжпредметних зв’язків на досягнення компетенцій....

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2011
Автори:	Мазурок, Т.Л., Тодорцев, Ю.К.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2011
Назва видання:	Системні дослідження та інформаційні технології
Теми:	Проблемно і функціонально орієнтовані комп’ютерні системи та мережі
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/50115
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням / Т.Л. Мазурок, Ю.К. Тодорцев // Систем. дослідж. та інформ. технології. — 2011. — № 3. — С. 88-101. — Бібліогр.: 13 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-50115
record_format	dspace
spelling	irk-123456789-501152013-10-06T03:04:50Z Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням Мазурок, Т.Л. Тодорцев, Ю.К. Проблемно і функціонально орієнтовані комп’ютерні системи та мережі Створено формальну логіко-математична модель управління навчанням в умовах компетентністного підходу. Запропоновано нейронечіткий підхід прийняття рішень, що базується на послідовному визначенні ступеня інтеграції та визначення найсуттєвішого впливу міжпредметних зв’язків на досягнення компетенцій. Наведено результати практичної реалізації. Создана формальная логико-математическая модель управления обучением в условиях компетентностного подхода. Предложен нейронечеткий подход принятия решений, основанный на последовательном определении степени интеграции и выявлении наиболее существенного влияния межпредметных связей на достижение компетенций. A formal logical-mathematical model of training control is built in the conditions of competency approach. A neuro fuzzy approach of decision-making, based on sequential determination of the degree of integration and detection of the most significant impact of intersubject on the achieving of competencies, is offered. The results of practical realization are shown. 2011 Article Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням / Т.Л. Мазурок, Ю.К. Тодорцев // Систем. дослідж. та інформ. технології. — 2011. — № 3. — С. 88-101. — Бібліогр.: 13 назв. — укр. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/50115 681.335:004.891 uk Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Проблемно і функціонально орієнтовані комп’ютерні системи та мережі Проблемно і функціонально орієнтовані комп’ютерні системи та мережі
spellingShingle	Проблемно і функціонально орієнтовані комп’ютерні системи та мережі Проблемно і функціонально орієнтовані комп’ютерні системи та мережі Мазурок, Т.Л. Тодорцев, Ю.К. Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням Системні дослідження та інформаційні технології
description	Створено формальну логіко-математична модель управління навчанням в умовах компетентністного підходу. Запропоновано нейронечіткий підхід прийняття рішень, що базується на послідовному визначенні ступеня інтеграції та визначення найсуттєвішого впливу міжпредметних зв’язків на досягнення компетенцій. Наведено результати практичної реалізації.
format	Article
author	Мазурок, Т.Л. Тодорцев, Ю.К.
author_facet	Мазурок, Т.Л. Тодорцев, Ю.К.
author_sort	Мазурок, Т.Л.
title	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
title_short	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
title_full	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
title_fullStr	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
title_full_unstemmed	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
title_sort	нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2011
topic_facet	Проблемно і функціонально орієнтовані комп’ютерні системи та мережі
url	http://dspace.nbuv.gov.ua/handle/123456789/50115
citation_txt	Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням / Т.Л. Мазурок, Ю.К. Тодорцев // Систем. дослідж. та інформ. технології. — 2011. — № 3. — С. 88-101. — Бібліогр.: 13 назв. — укр.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT mazuroktl nejromereževarealízacíâíntelektualʹnoípídtrimkiprijnâttâríšenʹvavtomatizovanomuupravlínnínavčannâm AT todorcevûk nejromereževarealízacíâíntelektualʹnoípídtrimkiprijnâttâríšenʹvavtomatizovanomuupravlínnínavčannâm
first_indexed	2025-07-04T11:35:52Z
last_indexed	2025-07-04T11:35:52Z
_version_	1836716081104814080
fulltext	© Т.Л. Мазурок, Ю.К. Тодорцев, 2011 88 ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 TIДC ПРОБЛЕМНО І ФУНКЦІОНАЛЬНО ОРІЄНТОВАНІ КОМП’ЮТЕРНІ СИСТЕМИ ТА МЕРЕЖІ УДК 681.335:004.891 НЕЙРОМЕРЕЖЕВА РЕАЛІЗАЦІЯ ІНТЕЛЕКТУАЛЬНОЇ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ В АВТОМАТИЗОВАНОМУ УПРАВЛІННІ НАВЧАННЯМ Т.Л. МАЗУРОК, Ю.К. ТОДОРЦЕВ Створено формальну логіко-математична модель управління навчанням в умо- вах компетентністного підходу. Запропоновано нейронечіткий підхід прийняття рішень, що базується на послідовному визначенні ступеня інтегра- ції та визначення найсуттєвішого впливу міжпредметних зв’язків на досягнен- ня компетенцій. Наведено результати практичної реалізації. ВСТУП Підвищення ефективності використання інформаційно-комунікативних тех- нологій (ІКТ) у навчанні пов’язано з неухильністю тенденції зміни акценту з пасивної ролі інструментарію на активну роль управління навчанням як ці- лісним процесом. Розгляд процесу навчання з точки зору управління є плід- ною працею, що має багатоаспектний характер. Основу розробки методів автоматизованого управління навчанням складають дослідження в галузі психологічних теорій навчання, дидактики, системного аналізу, кібернети- ки, теорії управління, теорії адаптації та теорії створення інтелектуальних систем. Аналіз останніх публікацій щодо автоматизованого управління навчан- ням та практичний досвід використання систем управління навчанням LMS (Learning Management System — система управління навчанням) та LCMS (Learning Content Management System — система управління навчальним континентом) свідчать про те, що до основних функцій таких систем мають належати такі: • формування репозиторія освітніх ресурсів; • облік осіб, що навчаються; • формування індивідуальних навчальних планів і розкладів; • управління доступом до комп’ютерних систем навчання та контроль виконання навчальних планів; • забезпечення взаємодії осіб, що навчаються, з викладачами; • аналіз роботи осіб, що навчаються, з комп’ютерними системами навчання; • адміністрування. Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 89 Однак процес формування індивідуальних навчальних планів виклада- чем зазвичай неавтоматизований, тому є трудомістким, вимагає інтелек- туальної напруги і, як наслідок, призводить до відсутності індивідуалізова- них послідовностей навчальних елементів. Тому загальна проблема вдосконалення автоматизованих систем управління навчанням є актуальною, а відсутність засобів інтелектуальної підтримки формування індивідуальних траєкторій навчання з урахуванням багатогранних дидактичних вимог дозволяє стверджувати, що ця проблема є невирішеною. Мета роботи — дослідження процесу формування індивідуальних траєк- торій навчання, як багатокрокового процесу прийняття рішень в умовах слаб- кої формалізованості та невизначеності щодо оптимального вибору наступного навчального елементу з урахуванням сучасних дидактичних вимог. ДИДАКТИЧНА ПОСТАНОВКА ЗАДАЧІ Аналіз сучасних дидактичних вимог до індивідуалізованого навчання ви- світлює деякі основні напрямки, за якими можливо підвищити ефективність навчання. Це стосується використання засобів ІКТ для формування діагнос- тично заданої індивідуальної мети навчання, ідентифікації початкового ста- ну особи, що навчається, формування множини альтернативних послідов- ностей управляючих впливів, а це гарантовано призводять до досягнення мети та вибір оптимальної з них за критерієм використання ресурсів (часу, коштів тощо) [1, 2]. Такий підхід є інваріантним по відношенню до форми навчання — від традиційної в умовах школи, вищого навчального закладу і т.д. до різних форм електронного навчання. Це дає змогу здійснювати навчання протягом усього життя для всіх осіб, які потребують навчання [3], що узгоджується з основними принципами Болонської декларації [4]. З точки зору дидактики під час формування послідовностей управляю- чих впливів необхідно врахувати такі елементи: групи показників домінант- них здібностей, психофізичного стану, цілей навчання; показників щодо обмежень використання ресурсів; початковий та поточний стан навчальних досягнень. Під час формування змісту навчання важливим є врахування ло- гічних взаємозв’язків між навчальними елементами як внутріпредметного, так і міжпредметного характеру. Для автоматизації управління навчанням велике значення має коректно або діагностично задана ціль навчання. У сучасних умовах упровадження компетентністного підходу доцільним є формування моделі цілі навчання як системи компетенцій. Компетенції є міждисциплінарними характеристика- ми, їх досягнення можливо на основі інтегрування навчальних дисциплін. Здійснення процесу навчання має проводитись у межах єдиної дидактичної системи, принаймні впродовж певних відрізків часу. Таким чином, сучасні дидактичні вимоги до індивідуалізованого навчання призводять до такого формулювання педагогічної задачі: для го- могенної групи осіб, що навчаються, досягти діагностично задану ціль у вигляді системи компетенцій, як наслідок, оволодіння достатнім та безна- длишковим обсягом міжпредметного змісту засобами оптимально створено- го процесу навчання. Аналіз дидактичних вимог дає змогу перейти до фор- мального опису навчання як цілеспрямованого процесу, що управляється. Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 90 ФОРМАЛЬНА МОДЕЛЬ ІНТЕЛЕКТУАЛЬНОГО УПРАВЛІННЯ НАВЧАННЯМ Відомо, що основу будь-якої діяльності створюють відношення між елемен- тами (об’єктами) цієї діяльності. Для процесу навчання це відношення між елементами множин навчальних дисциплін, осіб, що навчаються, компетен- цій, що формуються, а також відношення, що утворюються між елементами серед кожної з цих множин. Тому, в якості мови опису процесу навчання доцільно обрати мову алгебри відношень. Наведемо стислу характеристику множин, що розглядаються, та задамо відношення між їх елементами. Роз- глянемо навчальний процес у вигляді складної системи, що управляється. З метою спрощення та зменшення розмірності задачі, а також притримуючись узагальненої схеми управління процесом навчання [5], припустимо, що складна система складається з множини осіб, що навчаються, ∈},,,{ 21 nlll … ; L∈ множини монопредметних структурованих навчальних дисциплін Dddd n ∈},,,{ 21 … , кожна з яких складається з множини навчальних еле- ментів (НЕ); множини компетенцій, що формуються .},,,{ 21 Kkkk n ∈… Взаємозв’язки між вказаними елементами, що складають систему управлін- ня навчанням на макрорівні, зображено на рис. 1. У схемі, яку наведено, об’єктом уп- равління (ОУ) є множина осіб, що навча- ються, L . В якості устрою управління (УУ) розглядається управляюча система у вигляді інтелектуального перетворювача, який на основі інформації щодо стану ОУ перетворює її в інформацію про поточний управляючий вплив (УВ) у вигляді наступ- ного НЕ, що є рекомендованим для вивчен- ня. У зв’язку з тим, що НЕ входить до складу навчальних дисциплін, а також враховуючи визначаючу роль викладача, як одного з суб’єктів УУ у форму- ванні структури навчальної дисципліни, управляючу систему подано у спрощеному вигляді на схемі множиною D, а командна інформація — у вигляді НЕ. Інформація щодо стану зовнішнього середовища у вигляді вимог до компетенцій позначена на схемі K , а K ′ — інформація, що формуються про систему компетенцій, яка знаходиться в системі управління. Для реалі- зації зворотного зв’язку використовується інформація про стан ОУ у вигляді фактично досягнутого рівня кожного з елементів компетенції — K факт та відповідна їй інформація, що наявна в системі управління — K ′факт. Схему інтелектуального управління навчанням, побудовано відповідно до теорії функціональної системи [6], зображено на рис. 2. На підставі даних про навколишнє середовище та власний стан системи за наявності потреби і мотивації синтезується мета, яка разом із іншими даними сприймається сис- темою, що здійснює нечіткий логічний висновок. Отримання висновку здійснюється на основі використання баз знань (БЗ) науки, що формує БЗ навчальної дисципліни, а також БЗ, що містить дидактичні рекомендації та БЗ у вигляді нечітких правил продукції щодо доцільності встановлення сис- теми міжпредметних зв’язків. На основі спрацювання логічного висновку K′ K′факт Кфакт K′ D L Рис. 1. Загальна структурна схема управління навчанням Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 91 ухвалюється рішення про дію, тобто вибір наступного НЕ і прогнозуються результати дії у вигляді досяжності необхідної компетенції (акцептор дії). Відповідно до ухваленого рішення здійснюється управління, тобто навчаль- на дія за допомогою дидактичних засобів. У цьому виявляється дія на ОУ. Результати контролю засвоєння рекомендованої послідовності НЕ порівню- ються з прогнозованими (механізм зворотного зв’язку, акцептор дії). У ви- падку невідповідності результатів на базі нової експертної оцінки ухвалю- ється рішення, виробляється та реалізується управління, що знімає цю невідповідність, тобто виконується етап корекції. При відповідності резуль- татів підкріплюється попереднє управління. Якщо відповідність недосяжна, то уточнюється мета. Наведена схема є конкретизацією інваріантної струк- тури функціональної системи аферентного синтезу, який є результатним для побудови будь-якої цілеспрямованої діяльності. Розглянемо стислу характеристику кожного елементу з даної множини .,, KDL Існує безліч підходів до завдання відносин між особами, що навчаються. Проте, з точки зору управління, на наш погляд, найбільш ефек- тивним є розбиття множини L на гомогенні (однорідні) групи відповідно до індивідуальних характеристик осіб, що навчаються. Дидактичне обґрунту- вання необхідності такого розбиття наведено в [2]. Різні форми автоматизо- ваного навчання, зокрема, дистанційне навчання, дозволяє формувати вір- туальні колективи осіб, що навчаються, за критеріями пізнавальних здібностей. При даному розбитті можливо зменшити розмірність множини управляючих впливів із збереженням врахування індивідуальних характе- ристик осіб, що навчаються. Таким чином, множина осіб, що навчаються, L складається з підмножин nlLLL ,,, 21 … , причому: .21 LLLL nl =∪…∪∪ Кожна з груп iL характеризується набором атрибутів <РЗ, СА>, де РЗ — рівень засвоєння, СА — ступінь абстракції. Згідно із одним відомим ме- тодом матричного зіставлення особових властивостей і видів суспільно- виробничої діяльності, визначено вісім основних компонентів у структурі інтелекту, формування яких сприяє якнайкращій реалізації генетичних завдатків індивіда. Таким чином, Зовнішнє середовище Власний стан особи, що навчається Синтез цілі Ціль Потреби Мотивація БЗ науки БЗ дидактики БЗ міжнародних зв’язків Прогноз досяжності компетенцій Нечіткий вивід Експертна оцінка Прийняття рішення Формування управління Формування управління Модель особи, що навчається (групи) НЕ Рис. 2. Структурна схема інтелектуального управління навчанням Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 92 8,1},,{ == jСАУУL ji , де j — основні компоненти в структурі інтелекту (наприклад, логіко- математичний, просторовий тощо). Відповідно до ієрархічної структури монопредметної навчальної дис- ципліни визначимо множину id як сукупність підмножин розділів kr id , тем mt id , навчальних елементів ,be id де індекси mk, та b визначають потуж- ність відповідних підмножин, тобто кількість розділів, тем і НЕ відповідно. Тоді, використовуючи відношення включення, можна записати: ( )( ) Ddddd i r i t i e i kmb ⊂⊂⊂⊂ )( . Аналогічно опишемо підмножини формованих компетенцій. Відповід- но до [7] виділяються загальнонаукові компетенції — f jk on , соціально- особові — g jk sl , спеціалізовано-професійні — h jk sp , загально-професійні — t jk op , інструментальні — p jk in , де індекси pthgf ,,,, визначають потуж- ність відповідних підмножин, тобто кількість відповідних компетенцій у вказаних групах. Слід зазначити, що процес формування компетенцій відображає влас- тивість емерджентності, яке виявляється в тому, що досягнення системи компетенцій не дорівнює сумі знань, вмінь і навичок із кожної навчальної дисципліни. Таким чином, mj dddk +++≠ …21 . У загальному випадку в досягненні компетенцій беруть участь окрім навчальних дисциплін множина міжпредметних зв’язків …,,{ 3221 −− mpmp MPmp yx ∈− },… , де yxmp − — множина міжпредметних зв’язків між на- вчальними дисциплінами x та y . Отже, формування компетенцій, наприклад, в умовах традиційної ви- щої освіти можна представити за допомогою відношення включення: .KMPD ⊂∪ Задамо відносини між розглянутою множиною осіб, що навчаються — L ; навчальними дисциплінами — D ; системою компетенцій, що форму- ються — .K Відношення між елементами множин L та D відповідають множині відносин «опанувати навчальним матеріалом». Позначимо його O (знак використовується для того, щоб відрізняти множину елементів сис- теми від множини відносин). Тоді можна записати як DLO* . Такий запис означає, що множина осіб, що навчається, опановує множиною навчальних дисциплін. Множина відносин між елементами множин D та K , L та K позначимо F та W відповідно. Вони означають: F — «формує компе- тенцію» і W — «досягти компетенції» відповідно. У зв’язку з тим, що для формування послідовності навчання НЕ необ- хідно врахувати внутрішньопредметні та міжпредметні зв’язки, введемо Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 93 відношення між НЕ, що відображають вказані взаємозв’язки. Схема мож- ливих взаємозв’язків між НЕ показана на рис. 3. На схемі позначено такі види відношень: 1 — відношення «НЕ, що вивчається» входить до «вивчення теми» — відношення підлеглості; 2 — відношення «НЕ, що вивчається» є наступним за «НЕ, що є вивче- ним» — відношення слідування; 3 — відношення «НЕ, що вивчається» передує «НЕ» — відношення пе- редування; 4 — відношення «міжпредметний зв’язок» між НЕ і темою (відповідає відношенню, що використовується в дидактиці, «частина–ціле» [8]); 5 — відношення «міжпредметний зв’язок» між НЕ навчальних дисцип- лін 1d та 2d («частина–частина»); 6 — відношення «міжпредметний зв’язок» між темами навчальних дисциплін 1d та 2d («ціле–ціле»). Усі інші можливі відношення між структурними елементами навчаль- них дисциплін зводяться до шести видів відношень, що розглянуто. На- приклад, відношення, що виражає міжпредметний зв’язок між темами і роз- ділами, розділами та навчальними дисциплінами відносяться до 4-го виду відношень — «частина–ціле». Аналогічно вводяться відношення підлеглос- ті, слідування та передування тем, розділів, навчальних дисциплін. Для ві- дображення взаємозв’язків між навчальними дисциплінами використовуєть- ся відношення «ступінь інтеграції». Між елементами множин MP та K вводиться відношення вміщення. На основі детального розгляду множин та відношень між ними, що ви- никають під час вибору послідовності НЕ, а також враховуючи визначення моделі М, що наведено в [9], де моделлю називається кортеж, що складаєть- ся із деякої множини та відношень на цій множині, можна записати: ,,,, ⊂=Μ⊂=Μ DL DL ,,,,, τρMPK MPK =Μ⊂=Μ де ρ — відношення підлеглості що виражає міжпредметний зв’язок «час- тина–ціле»; τ — відношення толерантності, що виражає наявність міжпред- метного зв’язку між елементами одного рівня («частина–частина», «ціле– ціле»). 1 2 3 4 6 5 Тема Тема d1 d2 Рис. 3. Схема взаємозв’язків між НЕ Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 94 Модель взаємозв’язків між системою міжпредметних зв’язків та систе- мою компетенцій має вигляд: KMPFKMP , =Μ . Відношення між розглянутими множинами мають графічну інтерпре- тацію у вигляді 16 неорієнтованих графів, кожен з яких має власне змістов- не наповнення. Таким чином, отримано моделі i-х станів системи c iΜ , сукупність яких складає сигнатуру формальної базової теорії T . Стани системи для кожного з графів можна формально описати так: ,,,,,, *** 1 MPLVKDFMPDPKMPFKLWDLOc=Μ MPLV ,KDF ,MPDP ,KMPF ,KLW D,LO ** 2 =Μ c , MPLV ,KDF ,MPDP , KMPF K,LW ,DLO ** 3 =Μ c , MPLV ,KDF MP,DP ,KMPF ,KLW ,DLO **** 4 =Μ c , MPLV ,KDF ,MPDP K,MPF ,KLW ,DLO 5 =Μ c , MPLV ,KDF ,MPDP ,KMPF K,LW D,LO ** 6 =Μ c , MPLV ,KDF MP,DP ,KMPF ,KLW D,LO **** 7 =Μ c , MPLV ,KDF ,MPDP K,MPF K,LW ,DLO ** 8 =Μ c , MPLV ,KDF MP,DP K,MPF ,KLW ,DLO ** 9 =Μ c , ,MPLV ,KDF MP,DP ,KMPF K,LW ,DLO ** 10 =Μ c MPLV K,DF ,MPDP K,MPF ,KLW D,LO ** 11 =Μ c , MPLV ,KDF MP,DPK,MPF ,KLW D,LO ** 12 =Μ c , MPLV ,KDF ,MPDP K,MPF K,LW D,LO ** 13 =Μ c , MPLV ,KDF MP,DP K,MPF K,LW D,LO **** 14 =Μ c , MPLV K,DF MP,DP K,MPF K,LW D,LO **** 15 =Μ c , MPLV K,DF MP,DP K,MPF K,LW D,LO ** 16 =Μ c . Кортеж символів 〉ΜΜΜ〈=Σ ccc 1621 ,,, … згідно з [9] є сигнатурою. Над цією сигнатурою можливо у подальшому визначити аксіоматику. На основі Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 95 схеми управління визначається система нелогічних аксіом за допомогою кореспонденції відношень. Наприклад, однією з аксіом є така: 6 Kor 32 1 ),( Μ⎯⎯→⎯ΜΜ− ccf , де ⎯⎯→⎯Kor позначає кореспонденцію відношень. Наприклад, кореспонден- цію відношень з c 2Μ та c 3Μ в 6Μ показано на рис. 4. Над сигнатурою, яку наведено, побудовано систему з 22 аксіом, кожна з яких має вигляд кореспонденції відношень: i c i MMf ⎯⎯→⎯− Kor1 )( . З урахуванням системи станів c iΜ , системи аксіом сформовано правила нечіткого виводу, які є скін- ченою послідовністю формул, остання з яких є наслідком попе- редньої. Таким чином, узагальнене правило виводу має вигляд: Т ФФ 151 ,,… , де 151 ,, ФФ … — передумови пра- вил, а Т — висновок. Логіко-математична модель склала основу для розробки основних мо- дулів, що реалізують інтелектуальну підтримку процесу прийняття рішень тьютором під час розробки індивідуальних траєкторій навчання. Основу прийняття рішень складає система взаємозв’язків між системою між- предметних зв’язків та системою компетенцій, що формується. СТРУКТУРНА МОДЕЛЬ КОМПЕТЕНЦІЙ Важливим етапом системного аналізу процесу навчання є створення струк- турної моделі компетенцій. У загальному вигляді модель компетенцій має вигляд: ,}{ 321 nSSSSS ⊗⊗⊗⊗= … де iS — підсистема компетенції; n — кількість видів компетенцій; ⊗ — знак узагальненого добутку (теоретико-множинної або логічної відповідності). З іншого боку, модель компетенцій можна подати у вигляді ієрархічної функціональної структури (рис. 5), що складається з підсистем, компонентів та вимірюваних елементів. За основу створення моделі прийнято предметно-діяльністний (спе- ціальний) аспект розгляду компетенцій, що відображає необхідні професій- ні знання, вміння та навички. Джерелом професійних вимог до випускників ВНЗ, наприклад, є стандарти освіти у вигляді освітньо-кваліфікаційних ха- рактеристик (ОКХ) та освітньо-професійних програм (ОПП). Вимоги до компонентів предметно-діяльністної компетенції: { }ivi kvSS ,1\| == . Рис. 4. Ілюстрація операції кореспонденції відношень Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 96 На основі множини, що задано iS , необхідно побудувати послідовність перетворень: ∪ m d disd DSF 1 : = → ; ∪ l r rddr RDF 1 : = → ; ∪ k e erre ERF 1 : = → . Особливістю ієрархічної системи, що розглядається, є те, що в умовах тра- диційно обумовленого монопредметного навчання під час формування конкрет- них компонентів iS беруть участь підмножини множин ERD ,, . Так, для D : ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ = === ∪∪∪ ∪∪ … dm j j m j j m j jd RRRD 111 21 , причому mmmm d =∪ ∪∪ …21 . Аналогічно для R : ∪ ∪∪ ∪∪ … ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ = === rl j j l j j l j jr EEER 111 21 , де .21 llll r =∪ ∪∪ … Однак формування компетенцій являє собою процес, який базується на поглибленні інтегрованих форм навчання. Однією з найбільш поширених форм інтеграції є система міжпредметних зв’язків. МОДЕЛЬ МІЖПРЕДМЕТНИХ ЗВ’ЯЗКІВ Формування моделі системи міжпредметних зв’язків базується на структур- но-параметричному описі монопредметних навчальних дисциплін, які інтег- руються та експертній інформації щодо взаємозв’язків між окремими еле- ментами вказаних структур. Управління ступенем взаємозв’язків між навчальними дисциплінами здійснюється на основі результатів кластерізації, за допомогою якої визна- чається ступень взаємозв’язку до одного з трьох класів: взаємозв’язок, між- предметний зв’язок та інтеграція. У зв’язку з тим, що формальний опис від- ношення «взаємозв’язок» має суб’єктивний характер, то доцільно ввести в модель міжпредметних зв’язків набір нечітких правил, за допомогою яких Система компетенцій Компоненти предметно- діяльністної компетенції Навчальні дисципліни Теми Навчальні елементи Рис. 5. Модель компетенцій у вигляді ієрархічної структури Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 97 робота експерта-викладача буде максимально наближеною до природної мови. До того ж, використовуючи переваги нейронної мережі, можливо під- вищити об’єктивність управляючого впливу. Для сумісного використання нейронних мереж та нечіткого логічного виводу використовується апарат нечіткої нейронної мережі (Fuzzy Neural Networks) [10]. У даному випадку шари нейронної мережі виконують функції елемен- тів системи нечіткого виводу (рис. 6). Вхідна та відповідна їй вихідна інфор- мація обробляються за допомогою двох інтерфейсів, що побудовані на ос- нові теорії нечітких множин і нечіткої логіки. Основна функція цих інтерфейсів полягає в перетворенні інформації до такого вигляду, який дозволяє провести обробку за допомогою класичної нейронної мережі. В якості вхідної інформації для ієрархічної моделі міжпредметних зв’язків використовується експертна інформація, що була отримана за до- помогою спеціально розробленого редактора міжпредметних зв’язків щодо погляду педагогів-предметників щодо доцільності взаємопов’язаного вивчен- ня окремих навчальних елементів монопредметних курсів. Лінгвістична змінна w описана за допомогою терму «ступінь взаємозв’язку», що скла- дається з таких значень =εT {«відсутня», «скоріш за все доцільна», «напев- но доцільна»}. У структурі нейронної мережі виділяються чотири спеціальних шари: шар 1 (L1) — блок введення нечіткості (визначення функції належності); шар 2 (L2) — база правил з методом нечіткого виводу; шар 3 (L3) та шар 4 (L4) — складають блок приведення до чіткості. Вихідна змінна y призначе- на для визначення ступеня інтеграції між монопредметними навчальними дисциплінами, що призводить до досягнень відповідних компетенцій. Вихідний сигнал мережі визначається за формулою: ∑ ∑ ∑ ∑ = = = = ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ −− ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ −− = m r r n j rjj m r r n j rjjr cx cxw y 1 2 1 2 1 22 1 )2(/))((exp )2(/)(exp λ λ , Рис. 6. Структура нейронної мережі Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 98 де r — номер продукційного правила; rw — вагові коефіцієнти шару, що обчислює результуючу функцію належності передумов нечітких правил; rc та rλ — постійні параметри ( 0=rc , 1=rλ ); m — кількість нейронів пер- шого шару, що визначається в залежності від кількості навчальних елемен- тів (НЕ) у дисциплінах, що інтегруються: 21 * nnm = , де 1n — кількість НЕ, умовно кажучи, «першої» навчальної дисципліни, 2n — кількість НЕ «дру- гої» навчальної дисципліни. У зв’язку з тим, що в загальному випадку мож- ливі двобічні взаємозв’язки, то з урахуванням напрямку взаємозв’язків зменшити кількість нейронів першого шару не вдається. Нечіткі правила мають вигляд: "є"ТО"є2"І"є1"ЯКЩО εβα wee , де 1e та 2e — змінні, що характеризують монопредметну область, що інте- грується (наприклад, =1e «інформатика», 2e — «економіка»; α та β — відповідні значення вказаних змінних; ε — значення лінгвістичної змінної w , яка описується за допомогою терму «ступінь взаємозв’язку». Нейронечітка модель міжпредметних зв’язків дозволяє визначити сту- пінь інтеграції монопредметних навчальних дисциплін у вигляді значень лінгвістичної змінної. Однак досягнення ступеня інтеграції можливо, в загаль- ному випадку, 2k засобами, де k — загальна кількість НЕ, що підлягає обов’язковому вивченню для формування певної компетенції. Так, у реаль- них системах 1000100…≈k , які обумовлюють доцільність використання еволюційного підходу [11] для досягнення відповідних компетенцій. НЕЙРОНЕЧІТКА КЛАСТЕРИЗАЦІЯ МІЖПРЕДМЕТНИХ КОМПЕТЕНЦІЙ Під кластерізацією розуміють процес об’єднання об’єктів у групи (кластери) на основі схожості ознак для об’єктів однієї групи і відмінностей між інши- ми групами. Кластеризація може використовуватись в умовах майже повної відсутності інформації щодо законів розподілу даних, що відповідає специ- фіці використання цього підходу у задачі аналізу компетенцій. Вхідною інформацією для етапу аналізу компетенцій у загальній схемі управління змістовною стороною навчання є матриця: ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = NnsNN ns ns sss sss sss SI … … … … 21 22122 11211 . У зв’язку з тим, що визначення точної кількості компетенцій, що фор- муються, S є ускладненим, то найбільш доцільним методом кластеризації є метод гірської кластеризації, яку запропоновано Р. Ягером і Д. Филевим [12]. На першому кроці алгоритму необхідно сформувати потенційні центри кластерів. Для цього проводиться дискретизація простору вхідних ознак ]1,0[ на 10 інтервалів проводячи через точки розбиття прямі, що паралельні координатним осям. Отримуємо «решітковий» гіперкуб. Вузли такої решіт- Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 99 ки відповідають центрам потенційних кластерів. Нехай rq — це кількість значень, які можуть приймати центри класів за координатою .r Тоді кіль- кість можливих кластерів визначається на основі формули: ∏ = = Nr rtQ ,1 . На другому кроці алгоритму обчислюється потенціал центрів кластерів за такою формулою: ( )( )∑ = −= Nk ihh SIZDZP ,1 ,exp)( α , де hZ — потенційний центр кластеру h , Qh ,1= ; α — додатна константа; ),( ih SIZD — відстань між потенційним центром кластеру й об’єктом клас- теризації в евклідовому просторі, що обчислюється за формулою: ( ) ihih SIZSIZD −=, . На третьому кроці алгоритму виконується ітераційна процедура пере- рахунку потенціалів і виділення центрів класів доти, поки значення потенці- алів перевищує поріг, встановлений на основі евристичних міркувань. Щодо задачі, що розглядається, завершення ітераційної процедури пов’язано з до- сягненням орієнтовної кількості компетенцій n . Синтез нечітких правил для управління системою компетенцій здійс- нюється на основі центрів кластерів ciysV iii ,1),,( == , де is — ступінь інтеграції, iy — компетенція, що формується даним взаємозв’язком. Пра- вила зв’язують вхід із виходом. Центру кластеру iV задається у відповід- ність нечітке правило такого вигляду: ."близько"то,"близько"Якщо ii yyssi == Функції належності цих нечітких термів задаються гаусовими кривими (рис. 7). Значення лінгвістичної змінної відповідає її термам є результатом обробки даних, що отримані від експертів — викладачів-предметників навчальних дисциплін, що інтегруються. Аналогічного вигляду мають функції належності лінгвістичної змінної «ступень впливу міжпредметного зв’язку на формування компетенції iy », яка приймає такі значення: «низький», «нижчий за середній», «середній», Рис. 7. Значення нечітких множин та їх функції належності напевно Т.Л. Мазурок, Ю.К Тодорцев ISSN 1681–6048 System Research & Information Technologies, 2011, № 3 100 «вища за середній», «високий». Кількість нечітких правил визначається кількістю всіх комбінацій множин передумов та висновків. Отримана нечітка база знань складає основу для інтелектуальної під- тримки прийняття рішень щодо управляючих впливів у автоматизованому навчанні з урахуванням взаємозв’язків між ступенем інтеграції навчальних дисциплін та компетенціями, що формуються. ПРАКТИЧНА РЕАЛІЗАЦІЯ Логіко-математична модель, що запропонована, склала основу для розробки інтелектуальної підтримки прийняття рішень під час формування індиві- дуальних траєкторій навчання студентів Одеського національного політех- нічного університету. На основі структурування моделей навчальних дис- циплін та міжпредметних зв’язків між ними визначено методами нечіткої кластерізації вектори ступенів інтеграції між дисциплінами, що найбільш суттєво впливають на формування компетенцій бакалаврів за фахом 0925 «Автоматизація та комп’ютерно-інтегровані технології» [13]. В якості інструменту дослідження було використано нейропакети NeuroPro і Excel Neural Package. Перевірка можливостей вказаних пакетів показала, що ура- хування значущості ступеня інтеграції не можливо на моделях кількісного характеру. Найбільш доцільною виявилась модель у вигляді сукупності клас- терів. Визначення кластерів проводилось за допомогою пакету Excel Neural Package із використанням карти Кохонена, що самоорганізується. Так, на- приклад, для формування компетенції «розробка автоматичної системи ре- гулювання технологічними процесами» найбільш значущим виявилось інте- гроване вивчення вищої математики та теорії автоматичного управління (оцінка значущості склала 0,798433), електротехніки та технічних засобів автоматизації (оцінка значущості склала 0,695227). У процесі кластеризації для розглянутої компетенції було виокремлено три кластери, інтерпретація яких дозволяє віднести до формуючих факторів ступені взаємозв’язків між такими дисциплінами, як вища математика, фізика та прикладна механіка. Отримані результати відповідають висновкам експертів — розробників стандарту на освітньо-кваліфікаційну характеристику. Для підготов- ки вхідних даних до кластерізації використовується «навчання» нейро- нечіткої мережі за допомогою якої визначається кое- фіцієнт інтеграції між навчальними елементами двох дисциплін. На рис. 8 наведено приклад структури мережі, навчання якої відбулося на Рис. 8. Структура «навченої» нейромережі Нейромережева реалізація інтелектуальної підтримки прийняття рішень … Системні дослідження та інформаційні технології, 2011, № 3 101 основі нечітких правил за допомогою пакету Fuzzy Logic Toolbox, що вхо- дить до складу системи Matlab. За допомогою редактора нечітких нейронних систем ANFIS Editor здійснюється створення структури нечіткої нейронної мережі, налагодження її параметрів, перевірка функціонування мережі. ВИСНОВКИ Розгляд процесу навчання з позицій управління, розробка формальної осно- ви для побудови правил продукцій склало основу для реалізації нейро- нечіткого управління ступенем міжпредметного зв’язку між навчальними дисциплінами. Подальша нейронечітка кластеризація дозволяє визначати під час формування індивідуальних траєкторій навчання найбільш значущі міжпредметні зв’язки з точки зору їх впливу на досягнення компетенцій. Отриманий підхід дозволяє врахувати основні дидактичні вимоги до систем управління індивідуалізованим навчанням в умовах компетентністного під- ходу. До перспективних напрямків цього дослідження належить реалізація інтелектуальної підтримки у вигляді сценаріїв багатоагентної взаємодії учасників навчання і поширення взаємозв’язків та інтеграції між монопред- метними навчальними дисциплінами від двох до загальної кількості дис- циплін, що вивчаються водночас протягом певного періоду. ЛІТЕРАТУРА 1. Gritsenko V., Synytsya K., Manako A. ICT competencies training in information so- ciety // Proceedings of the Third International Conference «New Unformation Technologies in Education for All: e-education». — Kiev: IRTC, 2008. — Р. 9–16. 2. Беспалько В.П. Образование и обучение с участием компьютеров (педагогика третьего тысячелетия). — М.: МПСИ, 2002. — 352 c. 3. 34 сессия Генеральной конференции ЮНЕСКО. — http://unescodoc.unesco.org/. 4. Болонський процес у фактах і документах (Сорбонна-Болонья-Саламанка- Прага-Берлін) / Упоряд.: М.Ф. Степко, Я.Я. Болюбаш, В.Д. Шинкарук, В.В. Гру- біянко, І.І. Бабін. — Тернопіль: Вид-во ТДПУ ім. В. Гнатюка, 2003. — 52 с. 5. Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемо- го. — Рига: Зинатне, 1988. — 160 с. 6. Пупков К.А., Коньков В.Г. Интеллектуальные системы. — М.: МГТУ им. Н.Э. Баумана, 2003. — 348 с. 7. Берстнева О.Г., Марухина О.В. Системный подход к оценке качества образо- вания // Открытое образование. — 2002. — № 3. — С. 38–42. 8. Еремкин А.И. Система межпредметных связей в высшей школе. — Х.: ХГУ, 1984. — 151 c. 9. Белова Л.А., Метешкин К.А., Уваров О.В. Логико-математические основы управления учебными процессами высших учебных заведений. — Х.: ВРЦ ГОИ, 2001. — 272 с. 10. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTEACH. — СПб.: БХВ–Петербург, 2003. — 736 с. 11. Мазурок Т.Л. Эволюционный подход к определению системы компетенций // Вестн. ХНТУ. — 2008. — № 2 (31). — С. 295–299. 12. Yager R., Filev D. Essentials of Fuzzy Modeling and Control. — USA: John Willey & Sons. — 1984. — 387 p. 13. Освітньо-кваліфікаційна характеристика бакалавра напряму підготовки 0925 «Автоматизація та комп’ютерно-інтегровані технології». — Київ: МОН України, 2004. — 19 с. Надійшла 16.06.2009

Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням

Репозитарії

Схожі ресурси