автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная автоматизированная система подготовки химиков-технологов

На правах рукописи

ЗАПАСНАЯ ЛИНА АЛЕКСАНДРОВНА

ИНТЕЛЛЕКТУАЛЬНАЯ АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПОДГОТОВКИ ХИМИКОВ-ТЕХНОЛОГОВ

05.13.01 - Системный анализ, управление и обработка информации (химическая технология)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 9 !0!12П1|

005550037

Москва - 2014

005550037

Работа выполнена на кафедре компьютерно-интегрированных систем в химической технологии федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Российский химико-технологический университет имени Д.И.Менделеева»

Научный руководитель: доктор технических наук, профессор Савицкая Татьяна Вадимовна -профессор кафедры компьютерно-интегрированных систем в химической технологии ФГБОУ ВПО «РХТУ им. Д.И. Менделеева»

Официальные оппоненты: Бородин Александр Викторович -доктор технических наук, профессор, профессор кафедры информационных технологий и автоматизированных систем Технологического института ФГБОУ ВПО «Московский государственный университет пищевых производств»

Матвеев Юрий Николаевич —

доктор технических наук, профессор, профессор кафедры электронных вычислительных машин ФГБОУ ВПО «Тверской Государственный технический университет»

Ведущая организация: ФГБОУ ВПО «Казанский национальный

исследовательский технологический университет»

Защита состоится «01» июля 2014 г. в 15.00 часов на заседании диссертационного совета Д 212.120.08 при ФГБОУ ВПО «Московский государственный университет тонких химических технологий им. М.ВЛомоносова» по адресу: 119571, г. Москва, просп. Вернадского,86

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МИТХТ им. М.В.Ломоносова», 119571, г. Москва, просп. Вернадского, 86 и на сайте www.mitht.ru

Автореферат разослан «¿^ ^С^Ц^- 2014 г.

Ученый секретарь диссертационного совета, доктор технических наук

Колыбанов К.Ю.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Информационные технологии в образовании относятся к важнейшим компонентам современных образовательных систем всех ступеней и уровней подготовки специалистов и реализуемых в них образовательных процессов.

На протяжении последних 30 лет разрабатываются и успешно применяются в учебном процессе автоматизированные системы обучения для подготовки высококвалифицированных специалистов всех отраслей производственной деятельности. Но только в последние несколько лет, благодаря развитию новых информационных технологий (НИТ), они стали эффективно использоваться как при очной форме обучения, так и дистанционной и смешанной. В рамках традиционной структуры типовых учебных планов высшего профессионального образования (ВПО), благодаря известным преимуществам, НИТ предоставляют широкие возможности по организации междисциплинарных связей в процессе инженерной подготовки выпускников. Специфика подготовки химиков-технологов заключается не только в обучении студентов теоретическим знаниям и навыкам, но и приобретении ими опыта практических (лабораторных) исследований, в том числе с использованием виртуальных лабораторных практикумов и систем удаленного доступа. Поэтому при подготовке химиков-технологов различных форм обучения основные усилия по организации лабораторных, учебно-исследовательских, курсовых и дипломных работ, а также для организации самостоятельной работы студентов должны быть направлены на создание учебно-методических комплексов, автоматизированных лабораторных комплексов, автоматизированных систем обучения и контроля знаний, баз данных и баз знаний учебного назначения и автоматизированного моделирующего программного обеспечения.

Начавшийся в 2011 году переход вузов России на ступенчатую систему обучения бакалавров и магистров и проводимые в вузах мероприятия по разработке основных образовательных программ (ООП) ВПО в соответствии с ФГОС третьего поколения открывают широкие возможности для качественно новой организации подготовки выпускников, предпосылками которой могут служить: компетентностный подход, широкое использование активных и интерактивных форм обучения, новый подход к формулировке требований к содержанию ООП. Поэтому процесс многоуровневой подготовки выпускников необходимо рассматривать с позиции системного подхода как непрерывно развивающуюся и совершенствующуюся систему.

В процессе обучения бакалавров и магистров по различным направлениям и профилям подготовки появляются неопределенности в знаниях, умениях, навыках, компетенциях выпускников, поступающих на следующую ступень обучения в магистратуру/аспирантуру. Эти неопределенности должны быть выявлены на стадии разработки и реализации ООП и создании интеллектуальной автоматизированной системы обучения (ACO), направленной на анализ и обработку информации и установление степени соответствия специальности выпускника предыдущего уровня обучения - «абитуриенту» последующего уровня, а также выработки рекомендаций по использованию информационно-образовательных ресурсов (ИОР) системы для более быстрой адаптации в новой предметной области и приобретения новых знаний, умений, навыков и компетенций.

По этим причинам разработка интеллектуальной междисциплинарной ACO как качественно нового средства организации и сопровождения процесса обучения, основанного на интеллектуальных методах и алгоритмах анализа и обработки информации о знаниях, умениях и навыках обучаемого на всех стадиях образовательного цикла, предназначенной для подготовки высококвалифицированных химиков-технологов в соответствии с требованиями ФГОС является актуальной задачей.

Работа проводилась в рамках следующих программ и проектов: — Межвузовского комплекса работ «Инновационные технологии образования» 20102012 гг.;

— Социальной программы Правительства г. Москвы по оказанию образовательных услуг населению проекта «Разработка инновационных учебно-методических комплексов на основе информационных и интернет-технологий для повышения квалификации молодых преподавателей технических вузов» в 2012 году.

Цель работы и задачи исследований

Цель работы - создание интеллектуальной автоматизированной системы, предназначенной для организации и поддержки образовательного процесса на всех стадиях многоуровневой подготовки химиков-технологов и переподготовки кадров, обладающей возможностью управления процессом обучения в зависимости от начального уровня знаний, умений и навыков обучающихся.

Для реализации поставленной цели в работе сформулированы и решены следующие задачи:

- Проведение анализа многоуровневой системы подготовки выпускников химиков-технологов. Формулировка цели и задачи создания интеллектуальной ACO;

- Разработка методики создания интеллектуальной автоматизированной системы подготовки химиков-технологов;

- Разработка методики обучения и контроля знаний с использованием интеллектуальной ACO для различных специальностей, профилей, направлений подготовки химиков-технологов;

- Разработка методов анализа и обработки информации в интеллектуальной ACO;

- Разработка комплекса учебных и методических ресурсов для реализации в интеллектуальной системе;

- Реализация функции управления обучением в интеллектуальной ACO;

- Разработка рекомендаций по адаптации в учебном процессе разработанных информационно-образовательных и учебно-методических ресурсов интеллектуальной автоматизированной системы подготовки химиков-технологов различных направлений и профилей;

- Разработка метода и алгоритма формирования компетентности выпускников химиков-технологов с использованием интеллектуальной ACO.

Объект исследования

Объектом исследования в настоящей работе является процесс многоуровневой подготовки химиков-технологов в соответствии с ФГОС третьего поколения.

Предмет разработки - интеллектуальная междисциплинарная ACO, предназначенная для подготовки высококвалифицированных химиков-технологов в соответствии с требованиями ФГОС, основанная на интеллектуальных методах и алгоритмах анализа и обработки информации.

Методы исследования

В работе использовались методы системного анализа и исследования операций, технологии проектирования автоматизированных систем обучения, нечеткие логические, статистические и экспертные методы обработки информации.

Научная новизна работы заключается в следующем:

- С позиций системного подхода проведен анализ многоуровневой системы подготовки химиков-технологов и обоснована необходимость создания междисциплинарной ACO для поддержки образовательного процесса на всех уровнях обучения;

- Предложена методика создания интеллектуальной междисциплинарной ACO, включающая этапы разработки её функциональной структуры, анализа и обработки информации, создания системы адаптивного тестирования;

- Предложен универсальный подход к интеллектуальному анализу и обработке информации на основе нечетких логических моделей по соответствию учебных

дисциплин специальности выпускника предыдущего уровня обучения -«абитуриенту» следующей ступени на основе сопоставления учебных планов, профессиональных образовательных программ по различным направлениям и профилям подготовки;

- Предложен подход к разработке и реализации подсистемы адаптивного тестирования знаний в интеллектуальной междисциплинарной ACO, предложены методы анализа и обработки информации по оценке сложности тестовых заданий на основе экспертных оценок;

- Предложен метод и алгоритм формирования компетентности выпускников химиков-технологов, основанный на сравнении совокупности дисциплин различных направлений и профилей подготовки, направленных на приобретение компетенций обучающихся и оценке уровня подготовки выпускников к дальнейшей образовательной деятельности.

Практическая значимость работы

Разработаны функциональная структура интеллектуальной междисциплинарной ACO подготовки химиков-технологов, информационно-образовательные, учебно-исследовательские и информационно-методические ресурсы системы, банки тестовых заданий по четырем учебным дисциплинам.

Система реализована путем интеграции двух информационных и интернет-технологий: модульной объектно-ориентированной динамической учебной среды Moodle версий 1.6 и 2.4.1. (Modular Object-Oriented Dynamic Learning Environment) и на основе технологии MediaWiki 1.5+.

Блок интеллектуального анализа и обработки информации реализован с использованием пакета прикладных программ MATLAB модуля Fuzzy Logic Toolbox.

Информационно-образовательные и учебно-исследовательские ресурсы разработаны с использованием программного средства Borland Delphi. Для обучения студентов навыкам использования учебно-исследовательских программных модулей в программе Camtasia Studio созданы видеоуроки.

Алгоритм формирования компетенций химиков-технологов реализован с использованием программного средства CompareFiles.Find, позволяющего проводить сравнение данных в сформированных таблицах формата MsExcel, на основе которого делается вывод о количестве совпадающих или различных дисциплин профилей.

Интеллектуальная междисциплинарная ACO прошла апробацию в учебном процессе для проведения лабораторных занятий, контроля знаний по дисциплинам, изучаемым студентами кафедры компьютерно-интегрированных систем в химической технологии (КИС XT) РХТУ им. Д.И. Менделеева. Отдельные ресурсы системы адаптированы для подготовки магистров по направлению 280700 - Техносферная безопасность и использованы для повышения квалификации специалистов.

Апробация работы

Основные положения диссертационной работы докладывались на семи международных, одной всероссийской и трех межвузовских конференциях, в том числе, «Международный конгресс молодых ученых по химии и химической технологии» (г. Москва, 2010-2012 гг.), Международной научно-методической конференции «Информатизация инженерного образования» - ИНФОРИНО-2012 (г. Москва, 2012 г.), ИНФОРИНО-2014 (г. Москва, 2014 г), IV Всероссийской конференции по химической технологии, Всероссийской молодежной конференции по химической технологии, Всероссийской школе по химической технологии для молодых ученых и специалистов, Всероссийском симпозиуме по химии и технологии экстракции и сорбции (г. Москва, 2012 г.), XXIV, XXV Международной конференции «Математические методы в технике и технологиях» - ММТТ-24, 25 (г. Киев, 2011 г.; г. Волгоград, 2012 г.), ХШ, XIV, XV

Межвузовской учебно-методической конференции «Актуальные проблемы химико-технологического образования» (г. Москва, 2011-2013 гг.).

Публикации

Результаты, отражающие содержание диссертационной работы, изложены в 16 публикациях, три из которых опубликованы в изданиях, включенных Высшей аттестационной комиссией Министерства образования и науки РФ в перечень ведущих научных журналов и изданий.

Структура н объем работы

Диссертационная работа состоит из введения, четырех глав и выводов, изложенных на 227 страницах, содержит 67 рисунков, 48 таблиц, список литературы из 124 наименований и одно приложение.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность, научная новизна и практическая ценность результатов диссертационной работы. Сформулированы цели и основные направления исследования.

В первой главе диссертации проведен анализ современного состояния в области создания автоматизированных систем обучения в высшей школе. Рассмотрены существующие отечественные ACO в высшей школе, в том числе, в Российском химико-технологическом университете им. Д.И. Менделеева, опыт использования их для организации учебного процесса в вузах и методическая поддержка процесса обучения. Определены недостатки существующих систем обучения, к которым относятся: полное соответствие типовой учебной программы учебной дисциплине без возможности быстро адаптироваться к изменяющимся требованиям ФГОС; практическое отсутствие интеллектуальных систем обучения и методов их разработки; теоретические трудности в построении интеллектуальных обучающих систем, основанных на знаниях опытных специалистов; трудности выявления экспертных знаний.

Проведен анализ существующих методов и подходов к созданию интеллектуальных автоматизированных систем обучения. В результате определены перспективные методы создания таких систем, которые отражены в настоящей диссертационной работе: методы обработки экспертных знаний; нечеткой логики; адаптивного тестирования.

Определены требования к создаваемой интеллектуальной ACO:

- интеллектуальность - реализация ACO подготовки химиков-технологов на базе методов искусственного интеллекта;

- способность адаптироваться к изменяющимся требованиям ФГОС;

- общедоступность создаваемых учебно-методических комплексов, автоматизированных лабораторных комплексов и систем удаленного доступа, интегрированных банков тестовых заданий и новых средств обучения.

Во второй главе разработана методика создания интеллектуальной автоматизированной системы подготовки химиков-технологов.

Функциональная структура и основные функции интеллектуальной междисциплинарной ACO представлены на рисунке 1. Она включает учебно-методический блок, предназначенный для организации процесса обучения и контроля знаний, путем предоставления образовательных материалов, учебно-методических комплексов (УМК), банков тестовых заданий и программно-аппаратный блок, предназначенный для организации и управления информацией в системе, создания баз данных и баз знаний, интеллектуального анализа и обработки информации.

Программно-аппаратный блок

Программные средства

управления информацией в БД ACO

Функции системы:

Интеллектуальные методы и алгоритмы обработки информации

- организация и контроль доступа к информационным ресурсам в процессе обучения;

- мониторинг состояния учебного процесса и успеваемости;

- администрирование — управление | функциями пользователей,

! доступом, курсами, группами и т.п.

- ооеспечение контроля знаний в процессе обучения;

- анализ и оценка уровня подготовки обучающихся;

- формирование рекомендаций к использованию ИОР системы, планирование процесса обучения

Учебно-методический блок^

Информационно-образовательные ресурсы

Информационно-методические ресурсы

информационная: предоставление ' образовательных материалов - электронные ; учебники, учебные пособия, базы данных и I базы знаний

Учебно-исследовательские ресурсы

организационная: организация процесса обучения и контроля знаний - УМК; учебные планы; банки тестовых заданий; организация / проведения лабораторных практикумов по дисциплинам, курсового и дипломного проектирования;

методическая поддержка подготовки по различным направлениям и профилям_

организационная: учебно-исследовательские программные модули, видеоуроки для проведения лабораторных занятий

Рис. 1. Функциональная структура интеллектуальной междисциплинарной ACO

В состав ACO входят следующие виды ресурсов, необходимые для изучения каждой дисциплины при подготовке химиков-технологов: информационно-образовательные; учебно-исследовательские; информационно-методические (учебно-методические комплексы дисциплин и процессов).

Кроме того, в состав интеллектуальной ACO входят интеллектуальные методы обработки информации (методы обработки экспертных знаний, нечеткой логики, адаптивного тестирования), предназначенные для анализа и обработки информации по совокупности дисциплин в рамках ООП одного и/или различных направлений и профилей подготовки выпускников.

В целом структура интеллектуальной ACO является открытой, гибкой, модульной. Она предусматривает возможность расширения как функциональных возможностей, так и информационного наполнения. Эти качества системы позволяют быстро и эффективно реализовать гибкую перенастройку и адаптацию реализованных в ней различных видов информационно-образовательных, учебно-исследовательских и информационно-методических ресурсов в зависимости от требований подготовки химиков-технологов по различным направлениям, специальностям и программам.

При создании интеллектуальной ACO проведен анализ методов обработки информации, используемых в средах дистанционного обучения и предложены новые методы обработки информации, изложенные далее.

Первый метод — метод нечеткой логики для установления соответствия учебных планов дисциплин различных профилей подготовки выбранного направления для оценки уровня подготовки выпускников к обучению на следующих ступенях.

На основе проведенного анализа учебного плана подготовки бакалавра по направлению 280700 - Техносферная безопасность предложен подход к анализу уровней подготовки магистров по этому направлению, обучающихся в бакалавриате по восьми профилям. Данный подход заключается в установлении взаимного соответствия перечня, объемов (трудоемкости) и последовательности изучения выбранных дисциплин для различных профилей подготовки направления.

Следующим этапом предложенного подхода является разработка системы правил, на основе которой проводится анализ уровней подготовки магистров. Анализ рекомендуется проводить на примере нескольких базовых дисциплин, на основании которого формируется нечеткая интегральная оценка. Пример правил:

Если уровень (У;} подготовки выпускников-бакалавров по большинству дисциплин

¡ = п,п >— «высокий» (В), а по остальным (¡'=п — п') «очень высокий» (ОВ), то 2)

нечеткая интегральная оценка (НИО) уровня подготовки к освоению программ магистров по базовым дисциплинам - «высокая» (В):

31,1 : ( У; = В )л ( У, = ОВ ) -> НИО = В

■ ■ 'п (1)

г' = п ,/ =п-п ,п >—;пе ТУ,и е N 2

где п - количество рассматриваемых дисциплин, N - рассматриваемое множество дисциплин.

Результаты анализа представлены в таблице 1.

Таблица 1. Результаты анализа уровней подготовки бакалавров по четырем дисциплинам по различным профилям подготовки направления «Техносферная _безопасность» на основе системы нечетких правил_

№ дисциплины №профиля 1 1 2 1 3 1 4 Нечеткие интегральные оценки уровня подготовки и освоения программы магистратуры

Уровни подготовки

280701 ОВ ОН ОН ОВ С

280702 В ОВ с ОВ ОВ

280703 С С он ОВ С

280704 ОН С ОВ он с

280705 ОН ОН ОН дв н

280706 ОН ОН он он ОН

280707 В ОН он он H/C

280708 ОН С он он н/он

На основании проведенного анализа только на примере четырех базовых дисциплин направления подготовки магистров можно сделать вывод, что наиболее подготовленными к освоению программ магистратуры являются бакалавры, обучающиеся по профилю 280702, их уровень - очень высокий (ОВ). По профилям 280701, 280703, 280704 - уровень подготовки бакалавров к освоению программ магистров является средним (С). Очень низким (ОН) является уровень подготовки бакалавров по направлению 280706.

Предложенный подход является универсальным и может быть использован в интеллектуальной ACO для других направлений и профилей подготовки.

Для визуального представления нечетких интегральных оценок уровня подготовки и освоения программы магистратуры использован пакет прикладных программ MATLAB, модуль Fuzzy Logic Toolbox. Входными переменными являются четыре дисциплины

направления «Техноеферная безопасность», уровень освоения которых задается нечеткими множествами, соответствующими рейтинговой системе оценки качества учебной работы, принятой в РХТУ им. Д.И. Менделеева.

По рейтинговой системе необходимое количество баллов для допуска к сдаче экзамена составляет 35, оценка «неудовлетворительно» до 55 баллов; оценка «удовлетворительно» -[55;69]; оценка «хорошо» - [70;84]; оценка «отлично» - [85; 100].

Таким образом, заданы нечеткие множества уровней освоения дисциплин в следующем

виде:

(Ж (ОН) - уровень «очень низкий», [0; 35]; тип функции - г-подобная функция принадлежности - гшГ;

N (Н) - уровень «низкий», [0; 70]; тип функции - gaussmf- гауссовская функция принадлежности с экстремумом в точке 35 баллов;

5 (С) - уровень «средний», [20; 90]; тип функции - »а^тГ- гауссовская функция принадлежности с экстремумом в точке 55 баллов;

V (В) - уровень «высокий», [40; 100]; тип функции - gaussmf- гауссовская функция принадлежности с экстремумом в точке 70 баллов;

ОУ (ОВ) - уровень «очень высокий», [70; 100]; тип функции - э-подобная функция принадлежности - втГ

Рис. 2. Входные нечеткие множества Рис. 3.Окно визуализации нечеткого

логического вывода

Задание выходных нечетких множеств аналогично заданию входных переменных, приведенных на рис. 2. Далее задается система логических правил, на основе которых представлен логический вывод нечетких множеств графически (рис. - 3). Указываются значения входных переменных, к примеру, задается [50 1 00 85 98]. В результате нечеткого логического вывода получена нечеткая интегральная оценка уровня подготовки студентов «очень высокая» (значение выходной переменной 86).

Представленный выше метод визуализации логического вывода уровня подготовки студентов является универсальным и не привязан к определенной рейтинговой системе, так как возможна его быстрая адаптация к изменяющимся системам оценок, так же он применим для любого количества дисциплин и любого множества оценок уровней подготовки обучаемых.

В настоящей диссертационной работе предложен второй метод к сравнительному анализу формируемых компетенций и уровня подготовки обучаемых представленный в виде блок-схемы (рис. 4).

Каждому профилю соответствует определенный набор дисциплин, изучая которые формируются компетенции будущего химика-технолога в целом. В тоже время каждому

профилю подготовки соответствует ряд дисциплин, совокупность которых формирует конкретную компетенцию выпускника.

Для оценки компетентности выпускников химиков-технологов проводится сопоставление дисциплин профиля по каждой компетенции и делается вывод на основе системы нечетких правил, пример одного из которых приведен ниже:

Если количество совпавших дисциплин Д профиля подготовки z по выбранной компетенции к больше 50%, но меньше либо равен 70%, то уровень подготовки У высокий и компетенция сформирована (5/0:

3/,уД,г :50% < Д1 < 70% (У =В лОК^, =5Г),/е /,./е /Де X (2)

где приняты следующие обозначения: компетенции ОК^-, к - номер компетенции в соответствии с ФГОС (£е К, К - множество компетенций профиля подготовки), у -направление подготовки (jeJrJ - множество направлений подготовки), г - профиль подготовки (гб г, Т - множество профилей подготовки), дисциплины профилей Д, (г -наименование дисциплины профиля, причем / = 1, /' - перечень совпадающих дисциплин профилей подготовки, 1 = /'+1,/ - перечень несовпадающих дисциплин профилей подготовки.

Рис. 4. Блок-схема укрупненного алгоритма формирования компетенций выпускников

различных профилей подготовки На основе сформулированных правил проведен сравнительный анализ профилей подготовки химиков-технологов на примере формирования общекультурной и профессиональной компетенции.

Большинство компетенций химиков-технологов формируются десятью-двадцатью дисциплинами, а комплексный анализ по всем компетенциям сразу является очень трудоемким процессом, поэтому для автоматизации процедуры анализа соответствия дисциплин, направленных на приобретение выбранной компетенции было выбрано программное средство СотрагеИеБ.Кш!, позволяющее проводить сравнение данных в сформированных таблицах соответствия формируемых компетенций совокупности

дисциплин и выявлять совпадающие и различные значения дисциплин по всем столбцам таблиц по каждой компетенции.

В диссертационной работе проведен полный анализ по двум направлениям подготовки 241000 - Энерго- и ресурсосберегающие процессы в химической технологии, нефтехимии и биотехнологии и 240100 - Химическая технология и соответствующим им профилям, по всем дисциплинам всех компетенций (общекультурных - ОК и профессиональных - ПК). Фрагмент результатов сравнительного анализа представлен в таблице 2.

Таблица 2. Процентное соотношение совпадений дисциплин при формировании компетенций по всем профилям направлений 241000 - Энерго- и ресурсосберегающие процессы в химической технологии, нефтехимии и биотехнологии и 240100 -

Химическая технология

Компетенции 241000 - Энерго- и ресурсосберегающие процессы в химической технологии, нефтехимии и биотехнологии ОН) 240100- Химическая технология (ХТ)

Профиль «Охрана окружающей среды и рациональное использование природных ресурсов» (I) Профиль-«Основные процессы химических производств и химическая кибернетика» (II) Профиль «Технология неорганических веществ» (П1) Профиль «Технология органических веществ» (IV)

и Профиль III Профиль а £ - -е. о д. III Профиль и -1, ,§. - -8- о £ ¿1 1 IV Профиль £ Профиль III Профиль

1 2 3 4 5 6 7 8 9 10 11 12 13

ОК-1 80.0% 35.0% 35.0% 36.4% 27.5% 29.5% 19.4% 30.6% 72.2% 20.0% 37.1% 74.3%

ок^ 66.7% 66.7% 25.0% 25.0% 25.0% 22.2% 11.1% 100.0% 20.0% 10.0% 90.0%

ОК-6 66,7% 66.7% 66,7% 22.2% 44.4% 44.4% 5.0% 10.0% 77,5% 6.1% 12.1% 93.9%

ОК-7 75.0% 33.3% 33.3% 27.3% 18.2% 18.2% 4.0% 8.0% 72.0% 3.7% 7.4% 66.7%

ОК-8/ОК-9 0.0% 0.0% 0.0% 0.0 % 20.0% 20.0% 0.0% 7,7% 38.5% 0.0% 20.0% 100%

ОК-13(ХТ) - . 63.6% 100%

ПК-1 23.1% 26.9% 26.9% 27.3% 27.3% 27.3% 22.6% 19.4% 80.6% 21.9% 18.8% 78.1%

ГЖ-2 0.0% 22.2% 22.2% 0.0% 0.0% 0.0% 31.6% 0.0% 52.6% 42.9% 0.0% 71,4%

ПК-ЗЛ1К-4 100.0% 100.0% 10.0% 90.0% 10.0% 90,0%

П1МЛ1К-5 40.0% 20.0% 20.0% 10.0% 10.0% 10.0% 11.1% 11.1% 55.6% 12.5% 12.5% 62.5%

ПК-8 (ЭН) 40.0% 68.0%

ПК-10 0.0% 0.0% 0.0% 0.0% 42.9% 42.9% 0.0% 27.3% 90.9% 0.0% 25.0% 83.3%

ПК-11 33.3% 22.2% 22.2% 60.0% 40.0% 40.0% 28.6% 28.6% 100.0% 14.3% 14.3% 50.0%

ПК-16/ПК-18 100.0% 100% 100.0% 50.0% 50.0% 50.0% 33.3% 33.3% 33.3% 50.0% 50,0% 50.0%

ПК-17/ПК-19 0.0% 0.0% 0.0% 0.0% 50.0% 50.0% 0,0% 14.3% 71,4% 0.0% 16.7% 83.3%

ПК-21 (ХТ) 14.3% 18.2%

ПК-21 (ЭН) 58.3% 1 . „ : 1 33.3% ......"."Г •

Итог 43.9% 33.7% 32.5% 38.2% 33.8% 32.7% 17.7% 22.7% 73.7% 14.5% 18.8% 70.9%

В результате проведенного анализа можно сделать вывод об уровне подготовки выпускников по различным профилям подготовки.

Наиболее подготовленными для дальнейшего обучения по профилям являются выпускники одного направления, особенно направления 240100-Химическая технология. Так выпускник профиля «Технология неорганических веществ» обладает достаточно высоким уровнем подготовки (73,7%) для дальнейшего обучения по профилю «Технология

органических веществ», в противоположном случае уровень так же достаточно высок (70,9%). В рамках направления 241000-Энерго- и ресурсосберегающие процессы в химической технологии, нефтехимии и биотехнологии процентные соотношения меньше, а уровень подготовки средний: выпускник профиля «Основные процессы химических производств и химическая кибернетика» для дальнейшего обучения по профилю «Охрана окружающей среды и рациональное использование природных ресурсов» имеет уровень подготовки средний (43,9%), а в противоположном случае уровень чуть ниже, но также средний (38,2%). Таким выпускникам необходимо изучить дополнительные материалы, рекомендованные интеллеюуальной системой, для более быстрой адаптации в новой предметной области.

При поступлении выпускника на новое направление по любому из профилей уровень подготовки его будет средний или низкий.

Таким образом, очевидно, что в рамках одного направления уровень подготовки является достаточным для дальнейшего обучения по профилям этого направления, ввиду формирования общекультурных компетенций базовыми дисциплинами. В случае различных направлений появляется достаточно большое количество профессиональных дисциплин направлений и профилей, где формируются различные профессиональные компетенции, зачастую не пересекающиеся с компетенциями других профилей.

Предложенный подход является универсальным для проведения системного анализа уровня подготовки выпускников химиков-технологов для дальнейшего обучения по различным направлениям и профилям подготовки и является актуальным в связи с изменением ФГОС и требований формирования компетенций у обучаемых.

В третьей главе диссертации в соответствии с функциональной структурой интеллектуальной междисциплинарной ACO разработана структура комплекса программных средств системы, представленная на рис. 5.

В состав комплекса программных средств интеллектуальной ACO входят подсистемы: хранения данных; информационно-моделирующая; поддержки принятия решений; выдачи рекомендаций и генерации отчетов.

Подсистема хранения данных содержит базы данных (БД) по ФГОС и ООП ВПО и реализованные на их основе базы знаний (БЗ) сопоставления дисциплин изучаемых профилей формируемым компетенциям. Для реализации БЗ использованы программные средства MsExcel и функциональные возможности системы дистанционного обучения Moodle версии 2.4.1, в которой реализована возможность хранения БД.

Данная подсистема взаимодействует с подсистемами поддержки принятия решений и информационно-моделирующей. Состав информационно-моделирующей подсистемы включает в себя программные модули для сопоставления дисциплин различных профилей приобретенным компетенциям и анализа уровня подготовки выпускников, а также информационно-образовательные (электронные учебники и пособия, БД и БЗ и др.) и учебно-методические ресурсы (учебные планы, банки тестовых заданий и др.).

Информационно-моделирующая подсистема взаимодействует также с подсистемой поддержки принятия решения, которая в свою очередь содержит БЗ, блоки анализа и обработки экспертных оценок и сравнительных результатов, алгоритмы и методы принятия решений. Подсистема поддержки принятия решений передает данные подсистеме выдачи рекомендаций и генерации отчетов.

Программно-аппаратные средства реализации этих ресурсов представлены на рис. 5.

Повышение интерактивности обучения в соответствии с требованиями ФГОС предполагает внедрение в разрабатываемую ACO мультимедийных средств обучения таких как, видеоуроки, электронные учебные пособия и др. Поэтому в третьей главе описан опыт создания обучающих видеоуроков с помощью программного средства Camtasia Studio для работы со специализированным программным обеспечением учебного назначения в области анализа риска, оценки последствий аварий и управления безопасностью химически опасных объектов.

Разработано 4 видеоурока, объем которых составляет чуть более 60 Мб, продолжительность около 1 часа.

Подгпстема ыалмодикгвш! < ПОЛЫОЕ*Т«Л«М

В*б-бра?п*р (Intern« Explorer, Со»*!* Ctionae. Орм Motill* Га tf osl

Пваш(тт* в ыапп рскемгкдацнп ii генерации ОГЧПОВ

bfiitöso/t Office. AdcbeAfrobat.Moodle

Пвдсиетема хранили данных

ВДя»*ГОС

БЗ соответствия npioSpert к к i^x кс-кпетенций взаввснмосгв от изучаемой ДПСПЯЕЛЯНи

БЗ соответствия изучаемой дисциплины формируемым компетенциям

i>E<i oso/t Excel. MooAi» (»epcii« 2 4 1)

Подпкгпм подз*|1Ш1 принятия решешш

Методы. модели, алгоритмы принятия рееекий (вечтае. логические)

адок о6ра6<тлси ?гспгртиых оисиок

Блок анализа и сравяенвяреуулугат^в | Mjcroscftf Xfil Moodle

ИнфорМ МДЛОНМО-моделирукщ«« подсистема

Прочимый »«дуг» соггоетсмоев ляаоетт я ^мюбрстпвм ГОМ»Т*Мф(Й

Мкг»«П Esrtl

Прогримо-«л»р«тм«о5*ел«ч«нк| явх 1Ш304 урома подгстсмэ* emw*uuter о* Mkra»ft Zxttl M»tLA£ FnxjLafk Т««Ш«

Пиформациано-образовательные ну чебно-методоч« uv ресурсы

лрогр«мм»и ждут

_fvfrb;

Эя екгрохмы* учебные погс$и* тфермкшомкд о5ри е»»т«дма1* ередгт»*пр«двгт«мекюуч»6маг© мтернад*

HTML.MaHk.WSU

В н» «сур со»

C<Mtaxü Stvi W

Серверная пясть: Microsoft Windows Server. Apache. PHP

Рис. 5. Структура комплекса программных средств интеллектуальной автоматизированной системы подготовки химиков-технологов

Для повышения квалификации специалистов в области промышленной безопасности помимо этих видеоуроков разработан видеокурс по использованию программного комплекса Токси+к,зк, предназначенный для количественной оценки риска. В состав курса входит 14 видеоуроков общей продолжительностью около 90 мин и объемом 200 Мб.

В третьей главе представлен опыт разработки двух электронных учебных пособий в составе информационно-образовательных ресурсов системы. Первое электронное учебное пособие по проблемам химической безопасности предназначено для теоретической подготовки студентов и специалистов, повышающих квалификацию. Пособие состоит из введения, перечня принятых основных сокращений, 17 тем, библиографического списка, включающего 93 наименования, глоссария основных понятий, терминов и определений, подсистемы самоконтроля знаний, включающей банк из 76 заданий, и заключения. Электронное учебное пособие разработано в среде разработки гипертекстовых приложений HTML (Hypertext Markup Language - язык разметки гипертекста), позволяющей интерпретировать содержание пособия любым интернет-браузером и отображать материал в виде документа в удобной для обучаемого форме (в виде слайдов).

Во втором электронном учебном пособии по проблемам управления безопасностью химически опасных объектов на основе новых информационных технологий описаны модели и методы управления безопасностью химических производств и качеством атмосферного воздуха в интеллектуальных системах поддержки принятия решений по управлению промышленной и экологической безопасностью химически опасных объектов.

Наряду с подготовкой ИОР междисциплинарной ACO важным элементом процесса обучения является контроль знаний. В работе предложен подход к созданию подсистемы тестирования знаний на основе интернет-технологий в среде дистанционного обучения Moodle. Предложены этапы разработки и реализации подсистемы адаптивного тестирования знаний. Разработан единый банк тестовых заданий по 4 курсам, который может использоваться вариативно в зависимости от целей обучения и контроля знаний.

Подготовлен банк тестовых заданий по курсу «Математическое моделирование и методы синтеза гибких химических производств», включающий 130 вопросов различной сложности, содержащий вопросы по шести категориям курса, в которые тематически объединены несколько разделов курса. На основании данного банка вопросов сформированы 13 тестов по разделам курса, 2 комбинированных теста по нескольким разделам курса и 2 теста итогового контроля знаний по курсу, формируемых случайным образом из единого банка заданий.

Подготовлен банк тестовых заданий по курсу «Компьютерные системы проектирования гибких химических производств», включающий 90 вопросов различной сложности, содержащий вопросы по шести категориям курса. На основании данного банка вопросов сформированы 7 тестов самоконтроля по разделам курса, 4 теста промежуточного контроля, включающие 10 вопросов из различных категорий курса.

В четвертой главе рассмотрены примеры практического использования интеллектуальной автоматизированной системы подготовки химиков- технологов.

На примере курса «Компьютерные системы проектирования гибких химических производств» представлены результаты анализа и обработки тестирования знаний студентов тремя методами: на основе оценок студентов-экспертов, прошедших тесты самоконтроля, метода составления обобщенных ранжировок и статистических методов обработки в системе дистанционного обучения Moodle.

Для экспертных оценок студентов-экспертов используется шестибалльная шкала, где 1 - очень легкий вопрос, 2 - легкий вопрос, 3 - вопрос средней сложности, 4 - сложный вопрос, необходимы хорошие знания материала, 5 - очень сложный вопрос, 6 -исключительно сложный вопрос.

Эксперты оценили все тесты самоконтроля как средней сложности. Ранжирование тестов по сложности на основе экспертных оценок представлено ниже в таблице:

Номер теста 1 2 3 4 5 6 7

Средняя оценка 3,02 3,23 3,42 3,24 3,01 2,98 3,52

Место теста по сложности 5 4 2 3 6 7 1

Анализ тестов промежуточного контроля проводился аналогично.

В объектно-ориентированной среде дистанционного обучения МооШе заложены статистические методы, позволяющие обрабатывать как результаты тестирования отдельных студентов, так и групп и потоков в целом по отдельным дисциплинам. При этом ряд рекомендаций направлен на оценку сложности отдельных тестовых заданий. При анализе ответов студентов и самих вопросов контрольных заданий используются 4 коэффициента: индекс легкости (ИЛ) - показатель являющийся мерой того, насколько данное тестовое задание является легким/трудным; статистическое среднеквадратичное отклонение (дисперсия); индекс дифференциации - параметр, являющийся грубым индикатором способности конкретного тестового задания отделить более успешных обучаемых от менее успешных; коэффициент дифференциации - коэффициент корреляции между множеством значений ответов, полученных обучаемыми при выполнении г-го конкретного задания, с результатами выполнения ими теста в целом. Так как в рассматриваемом методе оценивается сложность тестовых заданий, то использован был только один параметр - ИЛ, определенный в результате выполнения студентами тестов для самоконтроля знаний.

В зависимости от типа вопроса этот коэффициент рассчитывается по-разному, например, для вопроса на соответствие:

ил--

(3)

м-ы

где - сумма правильных ответов, М - общее количество правильных ответов, N -количество отвечающих.

Ранжирование тестов самоконтроля по сложности с использованием индекса легкости представлено ниже в таблице:

Номер теста 1 2 3 4 5 6 7

Индекс легкости 84,2 86 77,4 98,125 90,3 85,4 86,4

Место теста по сложности 2 4 1 7 6 3 5

По оценке сложности тестов для самоконтроля на основе индексов легкости в среде МооШе можно сделать вывод, что все тесты достаточно легкие, так как средний индекс легкости не ниже 70.

Ранжирование сложности заданий теста проводится с применением метода составления обобщенной ранжировки на основе индивидуальных ранжировок экспертов.

В методе ранжирования альтернатив каждый эксперт сравнивает конечное множество альтернатив и составляет по этому множеству индивидуальную ранжировку.

На основе этой индивидуальной ранжировки каждый эксперт составляет матрицу

парных сравнений А.

Элементы этой матрицы (а,к ) соответственно равны 1, если альтернатива а. предпочтительна или равноценна альтернативе ак. В противном случае элемент матрицы равен 0.

(а^ак )и(а~ак )^>а1к=\ ( а^ ак ) а,к = 0

На основе матриц парных сравнений составляется результирующая матрица оценок, присвоенных группой экспертов. Элементы матрицы определяются суммированием по каждому из соответствующих признаков элементов матрицы парных сравнений.

1=1

где 5 - количество экспертов, принявших участие в индивидуальных ранжировках.

На основе сформированной результирующей матрицы определяется модифицированная матрица. Каждый элемент модифицированной матрицы принимает значение 1, если в результирующей матрице значение данного элемента было больше или равно половине количества (числа), принимавших в оценке экспертов и нулю - в противном случае.

(4)

модиф _

а?" > — 11 "2

(6)

„Р"

5 < —

2

Суммированием элементов построчно определяется количество баллов, и альтернативы ранжируют в соответствии с полученным количеством баллов.

С использованием указанного метода с привлечением оценок девяти экспертов проранжированы вопросы всех тестов самоконтроля знаний по семи разделам курса, два из которых приведены ниже в качестве примера:

— Самоконтроль по разделу курса «Компьютерные системы проектирования: состав, назначение подсистем»:

(а2.6 - агю ) >- (Дц = «12 = а2.з) Х (а2Л = Я2.8 = «2.9 ) ^ (Я15 = «2.7 )

- Самоконтроль по разделу курса «Показатели надежности элементов (оборудования) и

систем»:

(°4.U = a4 2Cl) ^ Я4 21 KlI = «4 12 = «4 13 = °4.17 = «419 ) >~ ^4.16 >- (fl4 „ = Л4,5)

где - вопрос в тесте самоконтроля, индекс z соответствует номеру категории (разделу) курса, индекс х соответствует номеру вопроса в категории.

Из проведенного ранжирования видно, что, как правило, большинство тестов имеют вопросы 4-5 уровней сложности, за исключением тестов самоконтроля по разделу «Моделирование пожаров и взрывов» (7 уровней) и разделу «Моделирование последствий химических аварий и анализ риска» (6 уровней). Наиболее сложными, как правило, являются 1-2 вопроса, также как и наиболее простыми. Основную группу вопросов составляют вопросы средней сложности или достаточно легкие.

На основе вопросов тестов самоконтроля сформированы тесты промежуточного контроля, ранжировка которых представлена в четвертой главе.

Основную группу вопросов в тестах промежуточного контроля составляют вопросы средней сложности.

Проведен сравнительный анализ полученных результатов обработки сложности тестовых заданий по трем предложенным в работе методам, пример которых представлен в таблице 3 и на диаграммах сравнительных результатов обработки экспертных оценок и результатов ответов студентов для тестов самоконтроля, полученных с использованием MS Excel (рис. 7). Шкала оценки на графиках - место вопроса по сложности. Чем ниже место вопроса - тем он сложнее. В номере вопроса первая цифра означает номер категории. В рассматриваемом примере выбраны вопросы категории 2 - «Компьютерные системы проектирования химических производств: состав, назначение подсистем» (таблица 3).

Таблица 3. Результаты самоконтроля знаний по категории «Компьютерные системы _ проектирования: состав, назначение подсистем»_

Номер вопроса ИЛ Средняя экспертная оценка Метол обобщенной ранжировки

2.1 87 3.22 Сложный (2 место)

2.2 78 2,78 Сложный (2 место)

2.3 78 3.00 Сложный (2 место)

2.4 73 3,11 Легкий (3 место)

2.5 86 2.22 Очень легкий (4 место)

2.6 77 4,00 Очень сложный (1 место)

2.7 92 2,44 Очень легкий (4 место)

2.8 89 3.00 Легкий (3 место)

2.9 92 2.89 Легкий (3 место)

2.10 90 3.56 Очень сложный (1 место)

В целом тест по результатам обработки оценок оказался не сложным. Наиболее сложный вопрос 2.6 (ИЛ - 77 (2 место), средняя экспертная оценка - 4 (1 место), метод ранжировки - очень сложный вопрос), самый легкий - вопрос 2.7 (ИЛ - 92 (8 место), средняя экспертная оценка - 2,44 (8 место), метод ранжировки - очень легкий вопрос).

Сложность теста составила по экспертным оценкам 3,02; по индексу легкости 84,2.

Проведен сравнительный анализ результатов оценок сложности отдельных вопросов рассмотренными выше методами, который показал несогласованность ответов студентов при прохождении тестов самоконтроля и промежуточного контроля. Результаты анализа отдельных вопросов получились достаточно однозначными (пример, вопрос 2.6, рис. 7), но стоит отметить, что имеет место и противоположная ситуация, когда разброс мест вопроса по сложности достаточно велик при оценке различными методами, так например, как вопрос 2.4, 2.9, рис. 7. Это вызвано в частности тем, что оценка тестов самоконтроля проводилась по оценкам девяти экспертов, тест же промежуточного контроля, в который попали такие вопросы, прошли только три-четыре эксперта, которые и поставили этому вопросу самую низкую оценку.

s средняя экспертная оценка 8 метод ранжировки

i среднее значение уровня _ сложности

2.4 2.5 2.6 2.7 номер вопроса

Рис. 7. Сравнение результатов обработки экспертных оценок и результатов ответов студентов для теста самоконтроля знаний по категории 2 Предложенные методы являются достаточно простыми и корректными в применении для проведения сравнительного анализа и ранжирования сложности вопросов тестовых заданий, поэтому могут быть применены для любых банков тестовых заданий по курсам и междисциплинарных банков в интеллектуальной ACO в целом.

С использованием предложенного подхода разработаны рекомендации к формированию банков тестовых заданий для итогового тестирования — составление набора правил, которые определяют - в какую из категорий следует отнести конкретный вопрос, исходя из анализа результатов контроля знаний средствами Moodle (по индексу легкости вопроса) и экспертными методами принятия решений.

Таким образом, в четвертой главе представлены примеры практического использования предложенных методов и подходов анализа сложности тестовых заданий и формирования итоговых тестов контроля знаний. Выработанные рекомендации по созданию подсистемы итогового контроля знаний использованы при создании систем итогового контроля знаний по другим курсам в рамках интеллектуальной ACO.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ

1. С использованием методов системного анализа разработаны функциональная структура интеллектуальной междисциплинарной ACO подготовки химиков-технологов и структура комплекса программных средств системы.

2. Предложены новые методы обработки информации об уровне подготовки выпускников в интеллектуальной ACO: методы обработки экспертных знаний, методы нечеткой логики, методы адаптивного тестирования.

3. Предложен подход к анализу уровней подготовки магистров, заключающийся в установлении взаимного соответствия перечня, объемов (трудоемкости) и последовательности изучения выбранных дисциплин для различных профилей подготовки выбранного направления и разработаны правила нечеткого логического вывода нечеткой интегральной оценки уровня подготовки бакалавров для дальнейшего обучения в магистратуре. Разработан универсальный подход для визуализации логического вывода нечетких оценок уровня подготовки химиков-технологов в среде MatLab.

4. Предложен алгоритм формирования компетенций на основе сопоставления совокупности дисциплин различный профилей и направлений подготовки химиков-технологов, позволяющий провести сравнительный анализ дисциплин каждого профиля, формирующих компетенции выпускников, реализованный с использованием методов нечеткой логики.

5. Предложены методы анализа и обработки результатов контроля знаний на основе оценок экспертов, метода ранжировки и статистических методов обработки в системе дистанционного обучения Moodle, рекомендованные для формирования банков тестовых заданий для итогового контроля в интеллектуальной ACO.

6. Проведена апробации интеллектуальной междисциплинарной ACO в учебном процессе для проведения лабораторных занятий, самоконтроля, промежуточного и итогового контроля знаний по 4 курсам для студентов 4-5 курсов кафедры КИС XT и адаптация отдельных ресурсов системы для подготовки магистров по направлению 280700 -Техносферная безопасность.

Публикации по теме диссертации Статьи в журналах, рекомендованных ВАК Минобрнауки РФ

1. Савицкая Т.В., Егоров А.Ф., Запасная Л.А., Дементиенко A.B., Карибова Ю.А. Сравнительный анализ результатов моделирования последствий химических аварий с использованием программного комплекса TOKCH+Riik // Безопасность труда в промышленности, 2012, N8. - с.78-83.

2. Егоров А.Ф., Савицкая Т.В., Запасная Л.А. Междисциплинарная автоматизированная система обучения на основе сетевых технологий для многоуровневой подготовки химиков-технологов// Открытое образование, №6(95) 2012. - с. 20-33.

3. Егоров А.Ф., Савицкая Т.В., Запасная Л.А., Виноградов А.П. Информационно-образовательные ресурсы по проблемам безопасности опасных производственных объектов // Безопасность в техносфере, 2013, №1. - С.73-80.

Методическое пособие

4. Методическое пособие по расчету последствий возможных аварий и оценке риска на опасных производственных объектах с использованием программного комплекса ТОКСИ+Risk Агапов A.A., Дементиенко A.B., Егоров А.Ф., Запасная Л.А., Клименко А.Ю., Курбатова М.Г., Михайлова П.Г., Никитин С.А., Савицкая Т.В., Софьин A.C., Хлобыстова И.О. / под общ. Ред. А.Ф. Егорова// Колл.авт.- М.: Закрытое акционерное общество «Научно-технический центр исследований проблем промышленной безопасности», 2013. - 326 с.

Прочие публикации

5. Запасная Л.А., Дударов С.П. Разработка видеоуроков по анализу и оценке последствий аварий на опасных производственных объектах с использованием программного комплекса «ТОКСИ+Риск» / Успехи в химии и химической технологии: сб. науч. тр. Том XXIV, № 1 (106). - М.: РХТУ им. Д. И. Менделеева, 2010. - 136 с. - С. 47 - 49.

6. Запасная Л.А., Савицкая Т.В. Моделирование и сравнительный анализ последствий химических аварий с выбросами легких и тяжелых газов / Математические методы в технике и технологиях - ММТТ-24: в сб. трудов XXIV Междунар. науч. конф.: в 10 т. Т. 4. Секция 4 / под общ. ред. B.C. Балакирева. - Киев: Национ. техн. ун-т Украины «КПИ», 2011. - С. 34-37.

7. Савицкая Т.В., Запасная Л.А. Подготовка комплексов лабораторных работ и видеоуроков для обучения студентов навыкам использования программных средств в области оценки риска/ Труды тринадцатой межвузовской учебно-методической конференции. М.: РХТУ им. Д.И. Менделеева, 2011. - С. 72-73.

8. Запасная Л.А., Савицкая Т.В. Сравнительный анализ моделей прогнозирования загрязнения атмосферного воздуха источниками выбросов опасных химических веществ/ Успехи в химии и химической технологии: сб. науч. тр. Том XXV, №1 (117). - М.: РХТУ им. Д.И. Менделеева, 2011. - С.43-47.

9. Егоров А.Ф., Савицкая Т.В., Запасная Л.А. Междисциплинарная автоматизированная система обучения на основе сетевых технологий для подготовки химиков-технологов / Информатизация инженерного образования ИНФОРИНО-2012: сб. науч. тр. Международной научно-методической конференции «Информатизация инженерного образования» -ИНФОРИНО-2012 (Москва, 10-11 апреля 2012 г.). - М.: Издательский дом МЭИ, 2012. - С 362-366.

10. Савицкая Т.В., Запасная Л.А., Егоров А.Ф. Информационно-образовательные ресурсы для подготовки специалистов по проблемам безопасности опасных производственных объектов / Информатизация инженерного образования ИНФОРИНО-2012: сб. науч. тр. Международной научно-методической конференции «Информатизация инженерного образования» - ИНФОРИНО-2012 (Москва, 10-11 апреля 2012 г.). - М.: Издательский дом МЭИ, 2012.-С. 493-494.

11. Запасная Л.А., Савицкая Т.В., Виноградов А.П. Мультимедийные образовательные ресурсы для подготовки специалистов по проблемам безопасности химических объектов / Труды четырнадцатой межвузовской учебно-методической конференции. М.: РХТУ им. Д.И. Менделеева, 2012. - С. 55-57.

12. Запасная Л.А., Савицкая Т.В. Сравнительный анализ моделей прогнозирования загрязнения атмосферного воздуха в результате выбросов опасных веществ / Химическая технология (Сборник тезисов докладов): IV Всероссийская конференция по химической технологии, Всероссийская молодежная конференция по химической технологии, Всероссийская школа по химической технологии для молодых ученых и специалистов, Всероссийский симпозиум по химии и технологии экстракции и сорбции. Т. 2. - М.: 2012.-С. 379-382.

13. Савицкая Т.В., Егоров А.Ф., Запасная Л.А., Виноградов А.П. Междисциплинарная автоматизированная система обучения для подготовки химиков-технологов // сб. трудов XXV Междунар. науч. конф.: в 10 т., Т.5. Секции 8,9 / под общ. ред. A.A. Большакова. -Волгоград: Волгоград. Гос. Техн. ун-т, 2012; Харьков: Национ. техн. ун-т «ХПИ», 2012. -С.126- 128.

14. Запасная Л.А., Савицкая Т.В. Междисциплинарная автоматизированная система обучения и информационно-образовательные ресурсы для подготовки химиков-технологов/ Успехи в химии и химической технологии: сб. науч. тр. Том XXVI, № 1 (130). - М.: РХТУ им. Д. И. Менделеева, 2012,- С. 71-75.

15. Савицкая Т.В., Запасная Л.А., Егоров А.Ф. Адаптация информационно-образовательных ресурсов междисциплинарной автоматизированной системы обучения в соответствии с ФГОС/ ФГОС ВПО - опыт работы двух лет. Пятнадцатая межвузовская учебно-методическая конференция: материалы конф. - М.: РХТУ им. Д. И. Менделеева, 2013.- С. 65-67.

16. Савицкая Т.В., Запасная Л.А. Интеллектуальные методы анализа соответствия ФГОС различных направлений и профилей подготовки объектов // Труды Международной научно-методической конференции «Информатизация инженерного образования» - ИНФОРИНО-2014 (Москва, 15 - 16 апреля 2014 г.). - М.: Издательский дом МЭИ, 2014. - С. 139-142.

Подписано в печать 14.05.2014г.

Усл.п.л. - 1.0 Заказ №20260 Тираж: 80экз.

Копицентр «ЧЕРТЕЖ.ру» ИНН 7701723201 107023, Москва, ул.Б.Семеновская 11, стр.12 (495) 542-7389 www.chertez.ru

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Российский химико-технологический университет им. Д. И. Менделеева»

На правах рукописи

04201458795

Запасная Лина Александровна

ИНТЕЛЛЕКТУАЛЬНАЯ АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПОДГОТОВКИ ХИМИКОВ-ТЕХНОЛОГОВ

05.13.01 - Системный анализ, управление и обработка информации

(химическая технология)

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: доктор технических наук, профессор Т.В. Савицкая

Москва - 2014

ОГЛАВЛЕНИЕ

Стр.

Список основных сокращений, принятых в диссертации 5

Введение 6

Глава 1 Современное состояние в области создания интеллектуальных 17 автоматизированных систем обучения для подготовки химиков-технологов

1.1 Основные направления создания интеллектуальных 17 автоматизированных систем обучения

1.1.1 Основные понятия, определения и классификация 20 автоматизированных систем обучения

1.1.2 Функциональные требования, предъявляемые к созданию 27 интеллектуальных автоматизированных систем обучения

1.1.3 Автоматизированные системы обучения в высшей школе 29

1.2 Анализ существующих методов и подходов к созданию 43 интеллектуальных автоматизированных систем обучения

1.3 Краткий обзор отечественных и зарубежных информационных и 53 программно-технических средств для реализации автоматизированных систем обучения

1.4 Обзор интеллектуальных методов и средств анализа и обработки 60 информации при создании автоматизированной системы обучения

Выводы по Главе 1 70

Глава 2 Разработка теоретических и методических основ создания 71 интеллектуальной автоматизированной системы обучения химиков-технологов

2.1 Цели и задачи создания интеллектуальной автоматизированной 71 системы обучения

2.2 Методика создания интеллектуальной автоматизированной 81 системы обучения химиков-технологов

2.2.1 Этапы создания автоматизированной системы обучения 81 химиков-технологов

2.2.2 Разработка функциональной структуры интеллектуальной 85 междисциплинарной автоматизированной системы обучения химиков-технологов

2.3 Методы обучения и контроля знаний с использованием 92 интеллектуальной автоматизированной системы обучения для различных специальностей, профилей, направлений подготовки

2.4 Разработка методов анализа и обработки информации в 103 интеллектуальной автоматизированной системе обучения

2.4.1 Разработка методов анализа соответствия компетенций 103 требованиям ФГОС подготовки бакалавров, магистров различных направлений и профилей

2.4.2 Метод и алгоритм формирования компетентности 110 выпускников химиков-технологов

Выводы по Главе 2 117

Глава 3 Разработка программных средств интеллектуальной 118 автоматизированной системы подготовки химиков-технологов

3.1 Структура комплекса программных средств интеллектуальной 118 автоматизированной системы обучения

3.2 Информационные и программно-аппаратные средства для 119 реализации интеллектуальной автоматизированной системы обучения

3.2.1 Подготовка и реализация информационно- 121 образовательных ресурсов в среде Wiki

3.2.2 Подготовка и реализация информационно- 125 образовательных ресурсов в объектно-ориентированной динамической учебной среде Moodle

3.3 Мультимедийные средства обучения в составе интеллектуальной 142 автоматизированной системы подготовки химиков-технологов

3.3.1 Разработка методических рекомендаций по созданию 143 тематических видеоуроков

3.3.2 Электронные учебные пособия в междисциплинарной 149 автоматизированной системе обучения

3.4 Обучающие модули SCORM в интеллектуальной 157 автоматизированной системе обучения

3.5 Программная реализация нечетких интегральных оценок уровня 161 подготовки выпускников к обучению на следующей ступени в интеллектуальной автоматизированной системе

Выводы по Главе 3 170

Глава 4 Практическое использование интеллектуальной 171

автоматизированной системы подготовки химиков- технологов

4.1 Реализация функциональных возможностей интеллектуальной 171 автоматизированной системы для контроля и проверки знаний обучаемых

4.2 Результаты тестирования знаний с использованием методов 173 принятия решений

4.2.1 Результаты тестирования знаний с использованием 174 экспертных методов принятия решений

4.2.2 Результаты тестирования знаний средствами, 180 реализованными в объектно-ориентированной среде дистанционного обучения Moodle

4.2.3 Результаты тестирования с использованием экспертного 185 метода принятия решений - метода ранжирования альтернатив

4.2.4 Сравнительный анализ результатов обработки контроля 189 знаний в интеллектуальной автоматизированной системе подготовки химиков-технологов

4.3 Реализация алгоритма формирования компетентности 202

выпускников химиков-технологов в интеллектуальной системе и примеры его практического использования Выводы по Главе 4 213

Основные результаты работы и выводы 214

Список литературы 215

ПРИЛОЖЕНИЕ А. Справка о реализации проекта «Разработка и внедрение 227 специализированной образовательной программы и информационно-образовательных ресурсов по использованию интеллектуальных систем управления безопасностью химически опасных объектов для повышения квалификации специалистов предприятий и организаций г. Москвы»

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

АИС - автоматизированная информационная система АЛК - автоматизированный лабораторный комплекс ACO - автоматизированная система обучения БД - база данных БЗ - база знаний

ВПО - высшее профессиональное образование

ДО - дистанционное образование

ДОТ - дистанционные образовательные технологии

ИАД - интеллектуальный анализ данных

ИКТ - информационные и коммуникационные технологии

ИЛ - индекс легкости

ИОР - информационно-образовательный ресурс

ИОС - интеллектуальная обучающая система

КЗ - компьютерные задачники

КСО - компьютерная система обучения

КУ - компьютерные учебники

НИТ - новые информационные технологии

ООП - основные образовательные программы

СДО - система дистанционного обучения

СКО - среднеквадратичное отклонение

УМК - учебно-методический комплекс

ФГОС - Федеральные государственные образовательные стандарты

ЭОР - электронные образовательные ресурсы

ЭОС - экспертная обучающая система

ЭСО - электронные средства обучения

ЭУ - электронный учебник

ЭУК - электронные учебные курсы

ЭУМ - электронный учебный материал

ЭУМК - электронные учебно-методические комплексы

ЭУП - электронные учебные пособия

IMS - Information Management System (система управления информацией) LMS - Learning Management Systems (система управления обучением) Moodle - Modular Object-Oriented Dynamic Learning Environment (модульная объектно-ориентированная динамическая учебная среда)

SCORM - Sharable Content Object Reference Model (стандартная модель контента с возможностью совместного редактирования)

ВВЕДЕНИЕ

Информационные технологии в образовании относятся к важнейшим компонентам современных образовательных систем всех ступеней и уровней подготовки специалистов и реализуемых в них образовательных процессов.

На протяжении последних 30 лет разрабатываются и успешно применяются в учебном процессе автоматизированные системы обучения для подготовки высококвалифицированных специалистов всех отраслей производственной деятельности. Но только в последние несколько лет, благодаря развитию новых информационных технологий (НИТ), они стали эффективно использоваться как при очной форме обучения, так и дистанционной и смешанной. В рамках традиционной структуры типовых учебных планов высшего профессионального образования (ВПО), благодаря известным преимуществам, НИТ предоставляют широкие возможности по организации междисциплинарных связей в процессе инженерной подготовки выпускников. Специфика подготовки химиков-технологов заключается не только в обучении студентов теоретическим знаниям и навыкам, но и приобретении ими опыта практических (лабораторных) исследований, в том числе с использованием виртуальных лабораторных практикумов и систем удаленного доступа. Поэтому при подготовке химиков-технологов различных форм обучения основные усилия по организации лабораторных, учебно-исследовательских, курсовых и дипломных работ, а также для организации самостоятельной работы студентов должны быть направлены на создание учебно-методических комплексов, автоматизированных лабораторных комплексов, автоматизированных систем обучения и контроля знаний, баз данных и баз знаний учебного назначения и автоматизированного моделирующего программного обеспечения.

Начавшийся в 2011 году переход вузов России на ступенчатую систему обучения бакалавров и магистров и проводимые в вузах мероприятия по разработке основных образовательных программ (ООП) ВПО в соответствии с ФГОС третьего поколения открывают широкие возможности для качественно новой организации подготовки выпускников, предпосылками которой могут служить: компетентностный подход, широкое использование активных и интерактивных форм обучения, новый подход к формулировке требований к содержанию ООП. Поэтому процесс многоуровневой подготовки выпускников необходимо рассматривать с позиции системного подхода как непрерывно развивающуюся и совершенствующуюся систему.

Вместе с тем, принятие нового Федерального Закона ФЗ №273 от 29.12.2012 «Об образовании в Российской Федерации»[1], вступившего в силу с

1 сентября 2013 г., наметило более широкие перспективы применения в образовательной деятельности дистанционных образовательных технологий и электронного обучения.

Так, в соответствии со статьей 16.3 «Организации, осуществляющие образовательную деятельность, вправе, применять электронное обучение, дистанционные образовательные технологии при реализации образовательных программ в порядке, установленном федеральным органом исполнительной власти, осуществляющим функции по выработке государственной политики и нормативно-правовому регулированию в сфере образования»;

со статьей 13.2 «При реализации образовательных программ используются различные образовательные технологии, в том числе дистанционные образовательные технологии, электронное обучение»;

со статьей 18.9 «При реализации профессиональных образовательных программ используются учебные издания, в том числе электронные, определенные организацией, осуществляющей образовательную деятельность».

Все эти новые веяния в законодательной системе, а также специфика подготовки химиков-технологов ставят целью создание качественно новой системы подготовки и переподготовки кадров для предприятий химической промышленности с использованием новых доступных и открытых ресурсов и форм обучения, которыми и являются автоматизированные системы обучения.

Целью применения электронного обучения, дистанционных образовательных технологий образовательной организацией является обеспечение доступности образования, повышение его качества. Поэтому разработка автоматизированных систем обучения (ACO) в настоящее время является актуальным и перспективным направлением научных исследований.

Помимо этого в стандартах нового поколения большое внимание уделяется компетенциям выпускников, формируемым в процессе изучения совокупностей дисциплин гуманитарного и социально-экономического, естественнонаучного и математического и профессионального циклов дисциплин, установленными основными образовательными программами различных направлений и профилей. В этой связи в процессе обучения бакалавров и специалистов по различным направлениям и профилям появляются неопределенности в знаниях, умениях, навыках, компетенциях выпускников, поступающих на следующую ступень обучения в магистратуру/аспирантуру.

Эти неопределенности должны быть выявлены на стадии разработки и реализации ООП и создании интеллектуальной автоматизированной системы обучения, направленной на анализ и обработку информации и установление степени соответствия специальности выпускника предыдущего уровня обучения - «абитуриенту» последующего уровня, а также выработки рекомендаций по

использованию информационно-образовательных ресурсов (ИОР) системы для более быстрой адаптации в новой предметной области и приобретения новых знаний, умений, навыков и компетенций.

Цель работы и задачи исследований

Целью диссертационной работы является создание интеллектуальной автоматизированной системы, предназначенной для организации и поддержки образовательного процесса на всех стадиях многоуровневой подготовки химиков-технологов и переподготовки кадров, обладающей возможностью управления процессом обучения в зависимости от начального уровня знаний, умений и навыков обучающихся.

Для реализации поставленной цели в работе сформулированы и решены следующие задачи:

- Проведение анализа многоуровневой системы подготовки выпускников химиков-технологов. Формулировка цели и задачи создания интеллектуальной ACO;

- Разработка методики создания интеллектуальной автоматизированной системы подготовки химиков-технологов;

- Разработка методики обучения и контроля знаний с использованием интеллектуальной ACO для различных специальностей, профилей, направлений подготовки химиков-технологов;

- Разработка методов анализа и обработки информации в интеллектуальной ACO;

- Разработка комплекса учебных и методических ресурсов для реализации в интеллектуальной системе;

- Реализация функции управления обучением в интеллектуальной ACO;

- Разработка рекомендации по адаптации в учебном процессе разработанных информационно-образовательных и учебно-методических ресурсов интеллектуальной автоматизированной системы подготовки химиков-технологов различных направлений и профилей;

- Разработка метода и алгоритма формирования компетентности выпускников химиков-технологов с использованием интеллектуальной ACO.

Диссертация выполнялась в рамках следующих программ и проектов:

- Межвузовский комплекс работ «Инновационные технологии образования» проекты «Разработка информационно-образовательных и учебно-исследовательских ресурсов для подготовки специалистов в области управления химико-технологическими процессами с использованием междисциплинарной автоматизированной системы обучения» и «Разработка алгоритмов и рекомендаций по организации тестирования и контроля знаний в

междисциплинарной автоматизированной системе обучения в среде дистанционного обучения» 2010-2012 гг.;

- Проект «Разработка и внедрение специализированной образовательной программы и информационно-образовательных ресурсов по использованию интеллектуальных систем управления безопасностью химически опасных объектов для повышения квалификации специалистов предприятий и организаций г.Москвы» в 2011 году;

- Социальной программы Правительства г. Москвы по оказанию образовательных услуг населению проекта «Разработка инновационных учебно-методических комплексов на основе информационных и интернет-технологий для повышения квалификации молодых преподавателей технических вузов» в 2012 году.

Объект исследования

Объектом исследования в настоящей работе является процесс многоуровневой подготовки химиков-технологов в соответствии с ФГОС третьего поколения.

Предмет разработки - интеллектуальная междисциплинарная ACO, предназначенная для подготовки высококвалифицированных химиков-технологов в соответствии с требованиями ФГОС, основанная на интеллектуальных методах и алгоритмах анализа и обработки информации.

Методы исследования

В работе использовались методы системного анализа и исследования операций, технологии проектирования автоматизированных систем обучения, нечеткие логические, статистические и экспертные методы обработки информации.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав и выводов, изложенных на 227 страницах, содержит 67 рисунков, 48 таблиц, список литературы из 124 наименований и одно приложение.

Во введении обосновывается актуальность, научная новизна и практическая ценность результатов диссертационной работы. Сформулированы цели и основные направления исследования.

В первой главе диссертации проведен анализ современного состояния в области создания ACO в высшей школе. Рассмотрены существующие отечественные ACO в высшей школе, в том числе, в Российском химико-технологическом университете (РХТУ) им. Д.И. Менделеева, общее состояние вопроса создания подобных систем, опыт использования их для организации учебного процесса в вузах и методическая поддержка процесса обучения. Определены недостатки существующих систем обучения, к которым относятся:

полное соответствие типовой учебной программы учебной дисциплине без возможности быстро адаптироваться к изменяющимся требованиям ФГОС; практич