автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Нечеткие модели и методы управления образовательной траекторией в системе переподготовки персонала промышленных предприятий

На правах рукописи

Ои~з<+"---

БЕЛОУС ВАЛЕНТИНА ВЛАДИМИРОВНА

НЕЧЕТКИЕ МОДЕЛИ И МЕТОДЫ УПРАВЛЕНИЯ ОБРАЗОВАТЕЛЬНОЙ ТРАЕКТОРИЕЙ В СИСТЕМЕ ПЕРЕПОДГОТОВКИ ПЕРСОНАЛА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

л

АПР2ССЭ

Москва - 2009

003468328

Работа выполнена на кафедре «Автоматизированные системы управления» в Московском автомобильно-дорожном институте (государственном техническом университете)

Научный руководитель Заслуженный деятель науки РФ,

доктор технических наук, профессор Николаев Андрей Борисович, профессор МАДИ(ГТУ)

Официальные оппоненты Лауреат премии Правительства РФ,

доктор технических наук, доцент Строганов Виктор Юрьевич, профессор МГТУ им.Н.Э.Баумана

Кандидат технических наук, Лукащук Петр Иванович Генеральный директор ООО «Спецстройбетон-200», г.Москва

Ведущая организация: Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АП), г. Москва.

Защита состоится 19 мая 2009г. в 10.00 на заседании диссертационного совета Д212.126.05 Московского автомобильно-дорожного института (государственный технический университет) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.

С диссертацией можно ознакомиться в библиотеке МАДИ(ГТУ).

Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического

университета): www.madi.ru

Автореферат разослан 17 апреля 2009г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.

Ученый секретарь диссертационног о совета,

кандидат технических наук, доцент Михайлова Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

В настоящее время система переподготовки персонала промышленных предприятий в полной мере использует современные программно-инструментальные средства управления учебным процессом, включая регистрацию пользователей, ведения журнала успеваемости, формирование расписания индивидуальных удаленных занятий и др. В систему также включается значительное количество электронных образовательных ресурсов, которые составляют предметную составляющую процесса переподготовки и принципам разработки которых посвящено значительное количество работ. Однако проблематика динамического управления образовательной траекторией с учетом формализованных моделей взаимосвязи образовательных ресурсов остается открытой. Кроме того, в процессе структуризации учебных материалов и оценки уровня знаний методисты и администраторы фигурируют такими нечеткими понятиями, как «легкие» и «сложные» тестовые задания, «хороший уровень подготовки» и др. Исходя из этого, актуальной представляется задача автоматизации организации процесса управления образовательной траекторией на основе нечетких множеств и нечетких отношений.

В рамках методической организации основу системы управления процессом переподготовки должно составлять структурированное представление учебного плана с организацией оперативного доступа к учебным материалам и оценкам успеваемости каждого обучаемого по каждому направлению переподготовки.

Предметом исследования является система переподготовки персонала промышленных предприятий, включающая формирование рабочих программ, учебных планов, учебно-методических материалов и тестовых заданий.

Цель и основные задачи исследования

Целью работы является повышение эффективности системы переподготовки за счет разработки и внедрения формальных моделей структуризации учебных материалов в виде нечетких множеств и нечетких отношений.

Для достижения данной цели в работе решаются следующие задачи:

• анализ задач системы переподготовки персонала промышленных предприятий в условиях различного квалификационного уровня персонала;

• разработка информационного обеспечения структуризации учебных планов и программ на основе нечетких множеств и нечетких отношений;

• разработка критериев эффективности управления образовательной траекторией;

• разработка нечетких моделей процедур управления тестовым контролем;

• разработка нечетких моделей формирования образовательной траектории;

• программная реализация методов и моделей нечеткого1 управления образовательной траекторией.

Методы исследования

При разработке формальных моделей компонент системы переподготовки в диссертации использовались методы общей теории систем, классический теоретико-множественный аппарат, теория нечетких множеств и нечетких отношений. Системный анализ управления образовательной траекторией в учебных центрах проводился на реальных статистических данных, обработка которых проводилась с помощью современных методов анализа данных с привлечением математических и статистических пакетов.

Научная новизна

Научную новизну работы составляют нечеткие методы и модели управления образовательной траекторией в системе переподготовки персонала промышленных предприятий. На защиту выносятся:

• нечеткая модель учебного плана, как параллельно-последовательный процесс изучения нечетко-связного комплекса учебных модулей:

• модель нечеткого отношения уровня знаний и сложности тестовых заданий;

' • модель транзитивного замыкания нечеткого отношения в процедуре управления образовательной траекторией;

• программно-моделирующий комплекс управления образовательной траекторией.

Достоверность научных положений, рекомендаций и выводов

Обоснованность научных положений, рекомендаций и выводов определяется корректным использованием современных математических методов и моделей, предварительным статистическим анализом процессов обучения и тестового контроля ряда предприятий, согласованностью результатов аналитических и имитационных моделей процессов обучения и тестового контроля. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения результатов работы в ряде промышленных предприятий.

Практическая ценность и реализация результатов работы

Научные результаты, полученные в диссертации, доведены до практического использования. Они представляют непосредственный интерес в области автоматизации управления персоналом с использованием методик комплексной автоматизации формирования учебных планов и рабочих программ для подготовки и переподготовки персонала. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий и используются при организации учебного процесса в МАДИ(ГТУ).

Апробация работы

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научно-технических конференциях, симпозиумах и семинарах (2005-2009 гг.); » на заседании кафедры АСУ МАДИ(ГТУ).

Совокупность научных положений, идей и практических результатов исследований в области автоматизации процесса управления персоналом составляет актуальное направление в области теоретических и практических методов принятия решений и выбора стратегий управления образовательной траекторией, а также синтеза комплексных решений по направлениям обучения и тестирования в системе переподготовки персонала. СОДЕРЖАНИЕ РАБОТЫ

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и методик.

Во введении, обосновывается актуальность работы. Отмечается необходимость решения задачи системной структуризации учебно-методических материалов. Сформулирована цель и основные задачи работы. Приведено краткое описание содержания глав диссертации.

В первой главе диссертации проведен системный анализ задач автоматизации управления персоналом в контуре системы переподготовки и предложен комплексный подход к решению задач разработки информационного обеспечения и моделирования процессов управления образовательной траекторией.

В диссертации проведен анализ и показано, что характерными чертами современных образовательных технологий, обеспечивающих их широкое использование, являются:

• гибкость (возможность заниматься в удобное для себя время, в удобном месте и темпе.);

• модульность (возможность из набора независимых учебных курсов-модулей формировать учебный план, отвечающий индивидуальным или групповым потребностям;

• параллельность (параллельное с профессиональной деятельностью обучение без отрыва от производства); охват (одновременное обращение ко многим источникам учебной информации большого количества обучающихся);

• экономичность (эффективное использование учебных площадей, технических средств, концентрированное и унифицированное представление учебной информации и мультидоступ к ней);

• технологичность (использование в образовательном процессе новейших достижений информационных и телекоммуникационных технологий) и др.

В диссертации проведен анализ различных систем управления обучением. Так, имеют место разработки инструментальных систем на основе формирования метаданных учебных модулей, причем наличие тезауруса в формировании гипертекста учебных модулей играет важную роль. Например, в системе «БиГОР» Т представляет множество терминов, обозначающих понятия, присутствующие в тезаурусе. При этом любой термин F,eT становится потенци&чьной гиперссылкой. С точки зрения пользовательского интерфейса в системе реализована подсветка всех имеющихся в модуле терминов V¡eТ, поэтому автор модуля должен лишь указать, к какому из трех возможных подмножеств относятся подсвеченные V¡ - к подмножеству выходных, входных или простых ссылочных терминов. При указании выходного термина система формирует строку таблицы М, в которой устанавливается соответствие между указанным термином и адресом редактируемого модуля. При указании входного или ссылочного термина V¡ формируются гиперссылки к соответствующему элементу тезауруса и через посредство таблицы М - к модулям, в которых V¡ определен. Изменения никак не отражаются на правильности функционирования гиперссылок, поскольку все взаимосвязи модулей и понятий формируются динамически. Отдельные подсвеченные, как и повторно упоминаемые в модуле термины V¡ автор модуля вправе не превращать в гиперссылки. Такой подход направлен на автоматическую генерацию электронных образовательных ресурсов.

Проведенный анализ показал, что для формализованного представления и структуризации учебных планов и рабочих программ более целесообразно использовать принципы терм-анализ связности модулей учебных материалов, принятых в системе «COTA», где модуль представляет структуру: М={Дм, Ям, F0], Dм - наименование модуля; Ам - аннотация модуля; Ям - объем часов, выделенных на модуль; Fü - указатель дисциплины. Основными связывающими понятиями также являются термы. Терм-множество представляет структуру W-W'uW0, где W1 - множество входных термов; W° - множество выходных термов. Входные термы определены как: w» Лу, U*w}, где Z)!w - идентификатор терма;

F м - указатель принадлежности модулю; Fw - ссылка на терм-источник (для организации синонимии); i/w - коэффициент усиления (определяет увеличение активности понимания терма). Выходные термы определены как: W°w ={D°w, f°w, F°w. Z°w}, где D°w - идентификатор терма; F°M -указатель принадлежности модулю; F°w - ссылка на терм карты требований;

Л.

- коэффициент забывания терма.

Из множества термов при этом автоматически выделяются подмножества: W00' - подмножество «висячих термов», т.е. выходных термов, которые не используются в дальнейшем (на них не ссылаются никакие входные термы);

W111' - подмножество «неопределенных термов»,

т.е. входных термов, не ссылающихся на выходной. Они определяются из семантической сети термов на основании соотношений:

д*00 •^е^-Э К. ,, ,

«Неопределенные термы» можно рассматривать как базовые понятия. «Висячие термы» можно рассматривать либо как методическую ошибку сформированного учебного плана, либо такой терм должен быть включен в карту требований по выбранной специальности или профессии.

Проведен анализ современных информационных технологий в управлении обучением и рассмотрены компоненты информационно-образовательной среды, представляющие собой системно-организованную совокупность средств передачи данных, информационных ресурсов, протоколов взаимодействия, аппаратно-программного и организационно-методического обеспечения, ориентированную на удовлетворение образовательных потребностей.

Анализ систем, управления обучением, показал, что все они имеет схожую модульную архитектуру, включая модули: «Администратор», «Организатор», «Преподаватель», «Слушатель», «Трекинг», «Курс», «Регистрация», «Тест», «Дизайнер тестов», «Учет», «Отчеты», «Дизайнер курсов» и др. По организации обучения регистрация на курсы организуется по типу электронного магазина. При этом используются: календарные планы изучения курсов; подсистема учета платежей (расходов); подсистема регистрации/выдачи сертификатов; возможность сочетания ролей (тьютор может одновременно быть и организатором) и т.п. Системы позволяют: просмотреть учебный материал; создать свой курс; получить ответы на свои вопросы; осуществить автоматический контроль знаний; получить помощь и др.

Во второй главе диссертации разработаны формализованные модели описания межмодульной связности учебного материала виде нечеткого отношения.

В рамках моделирования системы управления подготовкой персонала проведен анализ применимости теории нечетких множеств. Так, нечеткая переменная представляет собой пятерку:

1~<5, Т(Я), ия М5>, (2)

где 5 - название лингвистической переменной; Т(Б) - терм-множество; С/5 -универсальное множество; - синтаксическое правило порождения терм-множества; М% - семантическое правило, определяющее смысл переменной в терминах функций принадлежности.

При этом терм-множество состоит из: первичных (базовых) термов, таких как Т](3) = - (<хорошо>, <плохо>...); вторичных термов, которые в свою очередь подразделяются на лингвистические неопределенности Т^у = <очень>|<более менее>; и булевы связки над компонентами Т^Б) -<не>|<и>!<или>.

Понятия «сложность» учебного материала, «сложность» тестовых заданий «уровень знаний» - это некоторые нечеткие переменные, в то время как «способность решения задач» является некоторым нечетким отношением между нечеткими переменными «сложности» и «уровня знаний».

Еще одной переменной является балл, полученный при тестировании. Эту переменную можно считать преобразованием переменных «уровня знаний» и «уровня сложности» тестовых заданий, входящих в тест. Эмпирически этим понятиям ставится в соответствие некоторый гипотетический функциональный образ (рис.1.), который идентифицируется положением и размахом (мерой неопределенности оценки).

Функция принадлежности

Универсальная шкала

Рис. 1.

Чем правее положение кривой, тем сложнее задание или выше уровень знаний. Чем шире область под кривой, тем больше неопределенность. Предположим, что каким-то образом эти функции определены (в частном случае это могут быть просто числовые оценки), тогда к проблеме оценивания уровня знаний можно подойти исходя из формализованных нечетких моделей связности учебного материала, сложности тестовых заданий и результатов тестового контроля.

Таким образом, для формирования процедуры управления образовательной траекторией в работе предлагается формализованное описание базовых функций связности учебного материала, тестовых заданий и уровня подготовки обучаемых на основе нечетких множеств.

Так, программа переподготовки представляет граф С=(М,Е) - как частично упорядоченное множество модулей, где отношение порядка определяется на основании связности термов. означает, что терм

^л'1 необходим для

Для сбалансированного учебного плана необходимо задать порядок между модулями. Такой порядок можно построить не на любой структуре, что накладывает ограничения на множество графов (У. Если С множество всех цепей графа С, то есть линейно упорядоченных множеств, то необходимыми условиями для корректной структуры будут условия

ацикличности. С этой цель в диссертации разработан алгоритм генерации, результатом которого является структура межмодульных связей (рис.2.)

Сетевая модель учебного плана

Направление 1

Направление 2 (о^)—-»(аП)--Ч^Ь"|-—-------

Направление 3 --———

> : : / : :

Направление N (л^У- КО)-Чэ^}

Рис. 2.

Разработанная модель связности дает основу определения численных оценок трудоемкости (в частности, времени изучения) на основе формального преобразования семантической сети предметной области. Учитывая хронологию последовательности модулей учебного плана имеется возможность построения субъективной оценки качества образовательной траектории для конкретного обучаемого.

В общем случае, когда речь идут о количественной оценке связности учебного материала, то связность модулей является нечетким понятием, т.е. модули могут быть «сильно» или «слабо» связанными. Эта опенка может быть получена на основе проведения экспертного опроса методистов. В результате, граф межмодульных связей учебного плана будет представлять нечеткое отношение (нечеткий граф), в котором для каждой пары модулей задачи количественные меры связности М={(хьУ;)|^}ц=1..и.

Формирование меры связности модулей

Рис. 3.

Для оценки весов дуг в диссертации предлагается метрика, основанная на терм-связности. Пусть имеется множество модулей М={7Ц}. С каждым

модулем связаны множества входных W* и выходных Wj° термов, что схематично представлено на рис.3.

При этом Еу определяется количеством выходных термов i-ro модуля N°i=Card(Wi°), количеством входных термов NIj=Card(WjI) и мощностью пересечения Nij=Card(Wi°nWjI). В качестве меры связности предлагается использовать величину Еу=]\у№г, которая определяет долю выходных термов предшествующего модуля, используемых в последующем модуле. В качестве меры также можно использовать величину Eij=Njj/N°j-Nj, которая также зависит и от доли входных термов последующего модуля, вводимых предшествующим модулем.

Таким образом, для любой пары учебных модулей (A4 Mj) определено пересечение входных и выходных термов, которое и определяет меру связности. Количественная характеристика меры определяется числом в интервале от 0 до 1, поэтому отношения связности учебных модулей представляет классическое нечеткое отношение.

Управление образовательной траекторией, когда имеется нечеткая модель связности модулей, предполагает оценку трудоемкости процесса изучения последовательности учебных модулей. В связи с этим для графовой модели учебного плана в диссертации предлагаются алгоритмы вычисления этих трудоемкостей, когда и вершины графа (модули) взвешены лингвистическими переменными. Пусть имеются две нечетких переменных с соответствующими функциями принадлежности:

ГО 0 < х < оц

[1-е ' а1 < х;

Предполагается, что обе переменных имеют функцию принадлежности из одного и того же класса. Задача состоит в поиске аналитического выражения функции принадлежности суммы этих переменных Y=x\+xг. При выполнении любой бинарной операции над нечеткими переменными принцип обобщения представляет соотношение

f(y)= max min(f^(x1),f2(x2)). В работе показано, что при у<х\+хг из

*1+*2 =У

X|<«i-v хг<а,г следует min (f\{x\), f2(xг))=0. При этом F=x/+xj ~

Г 0 0 < у < а

НУ) -1 Jy-?Ä , где а=а^а2; a=ai+a2. Т.е. операция

(l - е а? a < х;

сложения нечетких чисел не выводит результат из заданного класса. Вводя для этого класса функций принадлежности обозначение:

0 0<х<а

fe(x ! в,а) = i , (4)

L1 - e °2 a < x;

приведем полученный результат к следующей форме:

Х\ -/еСфьаОл ~Л(х\а2,а2) х\+х2 ах+аг, ах+аг). (5)

Функция принадлежности максимума нечетких переменных

0.8 0.6

г

0.4

°2 4 6 8 10 12

Рис. 4.

Этот класс функций весьма напоминает нормальное распределение и по аналогии сумма двух нормальных величин нормальна.

В случае возможности параллельного изучения время начала изучения последующего модуля определяется как Т=/иях(ТьТ2). Пусть имеются две переменные X и У с соответствующими функциями принадлежности и В диссертации разработана процедура расчета функции принадлежности вычисления максимума двух нечетких переменных.

Для достаточно большого количества проведенных экспериментов показано подобие нормальному распределению (ркс.4.). Таким образом можно считать, что операция максимума не выводит результат из выбранного класса функций принадлежности (относительная средне-интегральная ошибка порядка 3%).

Таким образом, для произвольной последовательности модулей разработан алгоритм вычисления трудоемкости, что вместе оценкой уровня подготовленности дает возможность расчета лингвистических переменных времени изучения материала («быстро», «долго» и др.).

Восприятие учебного материала в формализованной лингвистической постановке интерпретируется (рис.5.) функционалами, которые соответствуют старому и новому уровню знаний обучаемого, с учетом сложности предоставленной для изучения информации. Обучающий блок должен быть не близок и не далек от истинного уровня знаний. 1с , 1*с -максимальное значение функции (старое и новое). Мс , М*с - положение функции (старое и новое). Широта знаний - множество термов. Глубина знаний - цепочка предыстории терма:

Преобразование модели уровня знаний Студент

1*„ М*

/^\Новая ФЗ

Блок, модуль

Рис. 5.

M' = Mc + d-± Г. = /, + V^. V.

(6)

Изменение положения «уровня знаний» в работе предлагается проводить на основании вероятностной интерпретации. Пусть старая функция принадлежности равна fc = х0 ехр[(- х - x0)2j, новая соответственно fc = ехр[(-х - х,)2], где хл и х, - некоторые параметры, тогда результирующую функцию можно представить:

max (sr0 ехр[- х] } [х, + (с - х0 )]ехр[(х, + с - хэ )2 f (7)

Таким образом, при выборе последовательности учебных модулей в работе предлагается учитывать динамику уровня подготовки, что затем параметризуется моделями тестового контроля уровня знаний с поиском заданий соответствующей сложности. Статическая модель блока связана с моделью тестирования по неопределенности в оценке знаний. Динамическая модель при этом может быть апробирована на тестовых экспериментах.

В третье главе диссертации решается задача динамического управления образовательной траекторией на основе нечетких моделей оценки уровня знаний и нечетких моделях связности тестовых заданий и учебных модулей.

Одной из задач, которая ставится при идентификации тестовых заданий, это его принадлежность к некоторым модулям на основе включения ссылок на термы. Степень принадлежность терма определенному направлению не является однозначной. Пусть каждому терму ставится в соответствие некоторый конечный вектор принадлежности направлениям:

V = (KbF2,...,F„), (8)

компоненты которого определяют субъективную оценку принадлежности этого терма к каждому из модулей. К; - степень принадлежности ¡-го терма. На основании оценок экспертов можно считать заданным соответствие принадлежности ^^^¡/¡^.п - термов М={М1}^1..т - направлениям. Каждая пара Мр \У| имеет вес \7у , что сведено в общую матрицу (табл.1.). В результате для определения степени принадлежности терма направлению, можно использовать правило композиции нечетких отношений. В свою очередь каждое тестовое задание имеет нечеткую степень включения каждого терма. В результате будет сформировано нечеткое отношение Тхи, где Т - множество тестовых заданий и и - множество учебных материалов, которое является аналогом двудольного графа, дуги которого взвешены числовой оценкой в интервале от 0 до 1.

Лингвистическая переменная определена на множестве всех модулей и представляет дискретную лингвистическую переменную. Полученное нечеткое отношение связности тестовых заданий и учебных моделей вместе с моделями нечеткой связности самих модулей представляет основу для формирования образовательной траектории.

Таблица 1.

Блоки объекты м м2 Мш

V/. V,, V«

Щ У21 У22

wn V*, Уп2 V * птп

Для моделирования результатов ответа на тестовые задания в диссертации разработана модель, представляющая расширение модели Раша на нечеткие переменные «уровня знаний», «сложности задания» и «вероятности ответа задание». Пусть «уровень знаний» будет представлять линвистическую переменною с функцией принадлежности:

Ае(*) = ехР|'

! (х-л/©)5

(9)

V ;

Вероятность ответа на тестовое задание некоторого «уровня сложности» для различных «уровней знаний» определяется на основании логистической кривой:

Р(в | Р) = ехра{в -/?)/[! + ехра{в - /?)]. (10)

Р

а 1 - р

Для значения уровня значимости функции принадлежности «уровня знаний» найдено значение вероятности ответа на задание. Каждому значению вероятности поставлено в соответствие то же значение уровня значимости, что и у функции принадлежности уровня знаний:

Для заданной вероятности уровень знаний будет равен 0 = /? +—1п-

//0(х)=ехр

G0 + -ln-^--M&f

a 1 - p_

(П)

чему будет соответствовать функция принадлежности на графике (рис.6.) Функция принадлежности вероятности правильного ответа

.0.993, 1; 0.5

Л

"0.4 0.6 0.8

,0.5, Pi ,0.994,

Рис. 6.

Из графика видно, что функция принадлежности имеет вид, подобный бетта-распределению. В работе разработан алгоритм поиска значения параметров бетта-распределения, которые дают максимальное приближение полученной функция. Эта функция является расширением логистической функции вероятности правильного ответа на случай нечеткого уровня знаний:

MР{х i р,0) = R ■ (1 -xf'], (12)

где R-нормировочная константа (максимум функции принадлежности вероятности ответа равен 1). Задача состоит в определении максимального значения функции принадлежности, которое находится на кривой:

Р = -

хр(а(0-/?))

(13)

1 + ехр(а(0 -/?))'

Определение значений V! и \'2 сводится к решению системы уравнений через положение (моду Р) и неопределенность (дисперсию В) вероятностей ответа на задание:

-I

Р = -

И D = -

VV2

vi+vj-2 (v]+v2)2(v1+v2+1)'

Решая систему уравнений, получаем:

График функций принадлежности приведен на рис.7. Проведены численные расчеты и показано, что для широкой вариации параметрами функции принадлежности уровня знаний и параметрами логистической кривой ошибки аппроксимации не превышаю 2%.

Сравнительный анализ функций принадлежности

0.8 р| .0.994-,

Рис. 7.

Таким образом, задаваясь значениями «уровня знаний» и «сложности задания» вместе с их неопределенностями получаем вероятность правильного ответа при указанных параметрах с указанием его разброса или в случае первичного задания логистической кривой определяем меру неопределенности доли решенных задач.

Кроме того, существует взаимосвязь между случайной величиной, распределенной по бета-закону и биномиальным распределением, что согласуется с задачей оценивая неопределенности количества решенных заданий заданной сложности:

-л-г- (16)

4-»

Это также соответствует выбору функции принадлежности вероятностей ответов в классе кривых бетта-распределения, а функций принадлежности уровня знаний в классе нормального распределения.

В общем случае, если имеются два нечетких отношения К.| и Яг, то отношение композиции П-К..»!^ определяется как

г) = гаах(пзт(/ул (у,г)). В случае оценки связности модулей и

у 1 I

тестовых заданий в работе предлагается использование не только пипхтах-

композиции, но и других: тах-»"-композиция кг], тах--

композшщя Мй1.(^х,г) = иу[ил1Ч1-аа].

Композиционное правило вывода

Рис. Ь.

Первой компонентой нечеткой композиции является вектор взаимосвязи тестовых заданий и учебных модулей, а второй нечеткое отношение связности модулей, поэтому будем иеролъзовать композиционное правило вывода, иллюстрация которого приведена на рис.8.

Начальный вариант анализа тестового контроля предполагает оценку правильности решения тестовых заданий. Эта оценка может быть определена как да/нег о определяться либо как 0/1. В более общей модели ответа на задание может быть введена большая дифференциация, как доля правильного соответствий, что также будет определять лингвистическую переменную правильности решения тестовых заданий

Степени принадлежности включения модулей

Рис. 9.

Таким образом, лингвистическая переменная правильности решения тестовых заданий, определенная на декартовом произведении 0*Т (О -ответы, Т - тестовые задания), и отношение связности тестовых заданий и

модулей, определенное на декартовом произведении Тх11, формально определяют композицию (ОхТ)°(Тхи). Эта композиция дает оценку нечеткого вектора принадлежности модуля образовательной траектории 8М(0-(8М1(0),..., БМм'0'), где 5М.(0> и определяет степень необходимости включения данного модуля (0<8М/0)<1) без учета связности модулей. Схематично степени принадлежности в процентном отношении показаны на рис.9.

Более адекватной моделью формирования образовательной траектории является нечеткая композиция отношений (Охи)=(ОхТ)°(Тхи)°(ихи), которая учитывает связность учебных материалов (ихи). Отношение порядка ¿Те (их{_1) на множестве модулей также представляет нечеткое отношение. Нечеткое отношение более высокого порядка связности определяется композицией нечетких отношений, т.е. в конечном счете реализуется транзитивное замыкание нечеткого отношения. При этом:

Е^2)=Е°Ег 42> = щахтт(£,,(17)

Отношение определяет модули второго порядка, третьего и т.д. Нечеткая композиция ЯМ(0) и Е дает нечеткий вектор БМ*1', т.е. необходимость включения дополняющих модулей первого порядка. БМ'21=БМ<0)о£<:2) дает нечеткий вектор необходимости включения модулей поддержки второго порядка и т.д. Нечеткая модель включения модулей в образовательную траекторию определяется нечетким объединением

к

В результате получена формальная модель управления образовательной траекторией как нечеткой переменной включения модулей. Переход к детерминированному вариант)' учебного плана может быть выполнен на основе задания порогового значения уровня значимости, который будет определять границу включения,

В четвертой главе диссертации рассматриваются вопросы построения программно-моделирующего комплекса системы переподготовки персонала промышленных предприятий. Разработана структура базы данных (рис.10.), интегрирующая учебный план, тестовые задания, результаты выполнения и характеристики доступа к учебно-методическим материалам. Комплекс реализован в рамках единой оболочки с универсальным интерфейсом и возможностью интеграции со стандартными пакетами.

Разработанный программный комплекс, реализует среду консультанта, который наряду с другими функциями обеспечивает реализацию механизмов управления образовательной траекторией по результатам выполнения обучаемыми тестовых заданий.

Анализ результатов переподготовки для предприятий промышленности и транспортного комплекса по различным блокам показал существенную связь между типом профессиональной деятельности и непосредственно содержательной частью блока.

Средние баллы по типам производственной деятельности, набранные работниками по отдельным блокам и по финансово-экономическому блоку в целом, приведены в табл.2.

Мифологическая модель базы данных связности учебных модулей

; Direction

су ЫиггггЫагое"]". ёегскриЬп

-St с_к! : Ключ 1 пате Название йезтрЬ Списание '■', [рпсг] : Порядковый номер

Dlsclpl

. DereiptlOP ,

ИД

; Шифр .Название Описание Название в графе ; Кол-ьо часов

завершается зачетом ' : завершается экзаменом ссылка на ресурс привязкак циклу привязка к направлению • ■• привязка к методисту

IModul____

li •.jicuumnNarr'.e}

.- Description •

I jrame \Гц descript

Mh

I I

hours

P'prcr]

ИД

Привязка к дисциплине Шифр Название Описание Коп-во *несов ' порядковый номер ссылкг на ресурс

Study

ICoiuimTearcei

. Description".

lUtOf^

CojiJrn^aai&p.

tjd sname fname mname htel wisf Foto UsLog UsPas FAF= LEC

COM.....

СТЕР......

¿VAN

RODI ......

ZaCON mjAK~

CPEC ........

CTAG PED.CT DOLGN

нёюЗР "

\jK_SPHER i "|WC_VN

■■v Реягцавр

; ИД методиста

Оамияич

Пия

Отчество

Логин Пароль

Лектор или АР ] Коментарий ; ученая степень

■ ученое звание ! год рождения закогт-мл уч заведение год окончания

пс специальности

■ стаж реботы пед. стаж работы : Должность

Руководитель направления ! сфера деятельности .магистратуре

Tasks

i - Coiumn-MaTtS' ________ОегсфЯсп

г? tSja .....1

hja Привязка к дисциплине

tyoe Тип (?-иель '1 '-задача

title Название

i [prior] Порядковый номер d

TermLtiik ...

'Т^1ит)п1уатет* "„' Oesin^ioV

m id •Привязка к модулю 4

■Vs term J a ; Привязка к терму

! Ч type ¡Тип 'О'-выходной Т-еходмой

iroMjn < Ссылка на выходной терм zl

Привязка к модулю | %

¡Тип'А - лекция, 'В -контрольная..'С-практика • Название Коп-бо часов . порядковый номер ссылка на ресурс |-

Списание г;:

привязка к Ресурсу из 5Д Коп5£ги1:ог |

Рис. 10.

Tmv ___

- IgolurarrNams. fPescEiption [а.--

h 1 name

• Название Описание

Проведенный анализ показал, что в рамках рассматриваемых типов производственной деятельности наиболее высоким уровнем практических навыков характеризуются работники Корпоративного Центра. По данной группе средняя оценка составляет 65,8 баллов, что соответствует высокому уровню практических навыков. Самую низкую среднюю оценку, приближающуюся к верхней границе среднего уровня, - 48,0 баллов -получили работники Корпоративного управления и науки.

Следует отметить, что по всем типам производственной деятельности, за исключением Корпоративного управления и науки, работники показали уровень практических навыков, существенно превышающий уровень знаний, определенный по результатам экзамена. Это может свидетельствовать о более практической направленности деятельности работников.

Таблица 2.

Средние оценки по типам производственной деятельности_

Название блока Тип ПРОИЗВОДСТВЕННОЙ ДЕЯТЕЛЬНОСТИ В СРЕДНЕМ по всем работникам

КОРПОРАТИВ НЫЙ ЦЕНТР Блох ге0л01 ни и добычи нефти и газа Блок маркетинга, продаж и переработки Блок СЕРВИСОВ КОРПОРАТИВ ное управление И наука

Упгавление финансами 65,0 55.1 62,1 59,8 1_ 45,2 59,2

Экономика 70,8 | 65,3 64,5 70.6 43,3 67,0

Бухгалтерский учет и аудит 65,8 59,6 65,4 61,7 46,9 62,1

Юридические основы финансово-экономического управления 60,6 50,3 57,6 55,2 52,9 54,8

Организационные основы современного финансово-экономического управления 66,6 56,2 58,9 59,3 47,6 58,7

Информационные технологии 66,1 55,7 57,0 60,4 51,9 58,6

Финансово-экономический блок в целом 65,8 57,0 60,9 61,2 48,0 60,1

Полученные результаты анализа свидетельствуют о необходимости дифференцированного подхода к формированию кадров переподготовки, что приводит к задам оценки связности базовых знаний персонала (профессиональная деятельность) с программами переподготовки. При этом также важна оценка взаимосвязи между всеми курсами и блоками, входящими в цикл переподготовки.

В заключении представлены основные результаты работы.

Приложение содержит документы об использовании результатов работы.

Публикации, По результатам выполненных исследований опубликовано 10 печатных работ, основные из которых приведены в списке публикаций.

Основные выводы и результаты работы

1. Проведен системный анализ задач подготовки и переподготовки кадров в системе управления персоналом промышленных предприятий, определены классы методов и моделей формализованного представления компонент процесса обучения.

2. Определен круг проблем, связанных с автоматизацией системы переподготовки и моделирования процесса обучения.

3. Реализовано формализованное представление компонент учебного плана. Обоснована необходимость создания базы термов, которая является основой оценки связности модулей и дисциплин в модели нечеткой логики.

4. Построены нечеткие количественные оценки эффективности учебного плана в зависимости от начального «уровня знаний». Разработаны адаптивные алгоритмы управления образовательной траекторией.

5. Разработаны модели преобразования уровня знаний и логистической кривой в вероятность правильного ответа на тестовое задание в нечеткой постановке.

6. Разработана структура базы данных автоматизации управления образовательной траекторией.

7. Разработан программно-моделирующий комплекс поддержки принятия решений в системе управления персоналом промышленных предприятий.

8. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий и на кафедре АСУ МАДИ(ГТУ). Показано, что внедрение результатов работы позволяет повысить качество и эффективность процессов разработки учебных планов.

Публикации по теме диссертационной работы

1. Белоус, В.В. Алгоритм оптимизации образовательной траектории / В.В. Белоус, H.A. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы прикладной информатики и коммуникационные технологии в автоматизации и управлении: сб. науч. тр. МАДИ (ГТУ). -М., 2006.- С. 43-48.

2. Белоус, В.В. Сетевая вероятностная модель учебного плана / В.В. Белоус, H.A. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы прикладной информатики и ком-муникационные технологии в автоматизации и управлении: сб. науч. тр. МАДИ (ГТУ) 2006.- С. 55-67.

3. Белоус, В.В. Моделирование эффективности процесса аттестации персонала / В.В. Белоус, A.A. Шарков, A.B. Яшуков // Аналитико-имитационное моделирование и ситуационное управление в

промышленности, строительстве и образовании (ч.2): сб. науч. тр. МАДИ(ГТУ). - М., 2008. -С. 28-32.

4. Белоус, В.В. Обобщенные графовые модели оценки качества учебно-методических материалов / В.В.Белоус, Л.Ф. Макаренко, В.М. Пеньков, И.Э.Саакян // Аналитико-имитационное моделирование и ситуационное управление в промышленности, строительстве и образовании (ч.2): сб. науч. тр. МАДИ(ГТУ). - М., 2008. -С.22-27.

5. Белоус, В.В. Модель нечетких отношений в системе документооборота / В.В.Белоус, Л.Ф. Макаренко, В.Н. Брыль, И.Э. Саакян /7 Вестник МАДИ(ГТУ), вып. 4(15) /МАДИ(ГТУ). -М, 2008. -С.92-95.

6. Белоус, В.В. Статистическое исследование и моделирование процессов забывания информации / В.В. Белоус // Теория и практика автоматизированного управления: сб. науч. тр. МАДИ(ГТУ) №1(41) / МАДИ(ГТУ). - М., 2009. -С. 9-20.

7. Белоус, В.В. Метод оценки сложности учебного модуля / В.В. Белоус, H.A. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). - М., 2009. -С.32-39.

8. Белоус, В.В. Автоматизация процессов создания тестовых заданий /

B.В.Белоус, Г.Г. Ягудаев // Теория и практика автоматизированного управления: сб. науч. тр. МАДИ(ГТУ) №1(41) / МАДИ(ГТУ). - М., 2009. -

C.4-8.

9. Белоус, В.В. Методы конструирования тестовых заданий /' В.В. Белоус, Г.Г. Ягудаев, H.A. Красникова, К.А. Николаева // Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). -М., 2009.-С.26-31.

10. Белоус, В.В. Метод оценки сложности учебного модуля / В.В. Белоус, Г.Г. Ягудаев, H.A. Красникова, К.А. Николаева Н Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). -М., 2009.-С.32-39.

Подписано в печать 16 апреля 2009 г. Формат 60x84x16 Усл. печ. л. 1,0 Тираж 100 экз. Заказ № 24 "Техполиграфцентр" Россия, 125319, г. Москва, ул. Усиевича, д. 8а. Тел/факс: 8(499) 152-17-71 Тел.: 8-916-191-08-51

ВВЕДЕНИЕ.

1. АНАЛИЗ МЕТОДОВ И МОДЕЛЕЙ СИСТЕМЫ ПОДГОТОВКИ И ПЕРЕПОДГОТОВКИ ПЕРСОНАЛА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ.:.

1.1. Проблемй'кадрового обеспечения предприятий промышленности и транспортного комплекса.

1.2. Методы и формы управления обучением.

1.3. Организация переподготовки в системе открытого обучения.

1.3.1. Место и роль тьютора в системе подготовки кадров.

1.3.2. Взаимодействие консультанта и обучаемого в процессе подготовки

1.3.3. Организация методической работы в системе переподготовки.

1.4. Математические методы и модели обучения и тестового контроля.

1.4.1. Модели связности учебных материалов.

1.4.2. Методы и модели тестового контроля.

1.4.3. Модели оценки сложности учебной информации.

1.4.4. Моделирование совместного процесса обучения и тестирования.

1.5. Информационные технологии в системе подготовки.

Выводы по главе 1.

2. РАЗРАБОТКА НЕЧЕТКИХ МЕТОДОВ И МОДЕЛЕЙ СИСТЕМЫ УПРАВЛЕНИЯ ОБРАЗОВАТЕЛЬНОЙ ТРАЕКТОРИЕЙ.

2.1. Модели и методы нечетких множеств и отношений -в управлении образовательной траекторией.

2.2. Разработка принципов организации адаптивной системы управления образовательной траектории.

2.2.1. Концепция создания программно-моделирующего комплекса.

2.2.2. Интеграция компонентов системы переподготовки.

2.2.3. Взаимосвязь математических методов и моделей обучения и тестового контроля.

2.3. Имитационная модель процесса восприятия терм-множества учебного плана.

2.3.1. Сетевая модель учебного плана.

2.3.2. Операции над функциями принадлежности.

2.4. Разработка метода классификации обучаемых с учетом априорной информации.

2.5. Нечеткая модель восприятия учебной информации.

Выводы по главе 2.

3. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ГЕНЕРАЦИИ ОБРАЗОВАТЕЛЬНОЙ ТРАЕКТОРИИ.

3.1. Формализованное представление учебного процесса.

3.2. Разработка моделей взаимодействия компонентов системы переподготовки.

3.2.1. Классификация пользователей.

3.2.2. 'Формирование системы приложений системы индивидуализации обучения.

3.2.3. Методы моделирования физиологических свойств обучаемого.

3.3. Алгоритм формирования учебной программы на основе композиции нечетких множеств.

3.3.1. Формирование нечеткого отношения связности модулей.

3.3.2. Отношение связности тестовых заданий и модулей.

3.3.3. Композиция нечеткого отношения связности модулей.

3.4. Методика организации системы переподготовки персонала промышленных предприятий.

Выводы по главе 3.

4: ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДИКИ УПРАВЛЕНИЯ

ОБРАЗОВАТЕЛЬНОЙ ТРАЕКТОРИЕЙ.

4.1. Проектирование*структуры программного комплекса.

4.2. Программная поддержка функциональных возможностей консультанта при организации учебного процесса1.

4.2.1. Обратная связь с консультантом.

4.2.2. Просмотр результатов обучения.

4.2.3. Обмен информацией между пользователями системы.

4.2.4. Редактирование образовательной-траектории.

4.3. Методика формирования учебных материалов и индивидуальной образовательной траектории в системе переподготовки.

Выводы по главе 4.

В настоящее время система переподготовки персонала промышленных предприятий в полной мере использует современные программно-инструментальные средства управления учебным процессом, включая регистрацию пользователей, ведения журнала успеваемости, формирование расписания индивидуальных удаленных занятий и др. В систему также включается значительное количество электронных образовательных ресурсов, которые составляют предметную составляющую процесса переподготовки и принципам разработки которых посвящено значительное количество работ. Однако проблематика динамического управления образовательной траекторией с учетом формализованных моделей взаимосвязи образовательных ресурсов остается открытой. Кроме того, в процессе структуризации учебных материалов и оценки уровня знаний методисты и администраторы фигурируют такими нечеткими понятиями, как «легкие» и «сложные» тестовые задания, «хороший уровень подготовки» и др. Исходя из этого, актуальной представляется задача автоматизации организации процесса управления образовательной траекторией на основе нечетких множеств и нечетких отношений.

В рамках методической организации основу системы управления процессом переподготовки должно составлять структурированное представление учебного плана с организацией оперативного доступа к учебным материалам и оценкам успеваемости каждого обучаемого по каждому направлению переподготовки.

Предметом исследования является система переподготовки персонала промышленных предприятий, включающая формирование рабочих программ, учебных планов, учебно-методических материалов и тестовых заданий.

Целью работы является повышение эффективности системы переподготовки за счет разработки и внедрения формальных моделей структуризации учебных материалов в виде нечетких множеств и нечетких отношений.

Для достижения данной цели в работе решаются следующие задачи:

• анализ задач системы переподготовки персонала промышленных предприятий в условиях различного квалификационного уровня персонала;

• разработка информационного обеспечения структуризации учебных планов и программ на основе нечетких множеств и нечетких отношений;

• разработка критериев эффективности управления образовательной траекторией;

• разработка нечетких моделей процедур управления тестовым контролем;

• разработка нечетких моделей формирования образовательной траектории;

• программная реализация методов и моделей нечеткого управления образовательной траекторией.

При разработке формальных моделей компонентов системы переподготовки в диссертации использовались методы общей теории систем, случайных процессов, стохастической аппроксимации, а также методы шкалирования, экспертного оценивания и др. Анализ эффективности разработанных методов и моделей выполнен с помощью методов корреляционного, факторного, дискриминантного, и других современных методов многомерного статистического анализа с привлечением математических пакетов 81аЙ811са и МаЛСаё.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, методик и алгоритмов.

В первой главе диссертации проводится системный анализ задач организации подготовки и переподготовки персонала транспортных предприятий. Рассмотрены проблемы информатизации и общие тенденции развития системы переподготовки. Проведен анализ основных методов и моделей процессов обучения и тестового контроля. Рассмотрены проблемы формирования индивидуальной образовательной траектории и его возможности автоматизации на базе формальных методов, моделей и программной поддержки.

Проведен анализ современных информационных технологий в управлении обучением и рассмотрены компоненты информационно-образовательной среды, представляющие собой системно-организованную совокупность средств передачи данных, информационных ресурсов, протоколов взаимодействия, аппаратно-программного и организационно-методического обеспечения, ориентированную на удовлетворение образовательных потребностей.

Анализ систем управления обучением, показал, что все они имеет схожую модульную архитектуру, включая модули: «Администратор», «Организатор», «Преподаватель», «Слушатель», «Трекинг», «Курс», «Регистрация», «Тест», «Дизайнер тестов», «Учет», «Отчеты», «Дизайнер курсов» и др. По организации обучения регистрация на курсы организуется по типу электронного магазина. При этом используются: календарные планы изучения курсов; подсистема учета платежей (расходов); подсистема регистрации/выдачи сертификатов; возможность сочетания ролей (тьютор может одновременно быть и организатором) и т.п. Системы позволяют: просмотреть учебный материал; создать свой курс; получить ответы на свои вопросы; осуществить автоматический контроль знаний; получить помощь и др.

Во второй главе диссертации приведена концепция построения программно-моделирующего комплекса формирования индивидуальной траектории и решены частные задачи, необходимые для повышения эффективности разработанной методики. Построена модель переоценки сложностей тестовых заданий, что позволяет более точно оценить уровень знаний. При переходе на непрерывную шкалу сложности разработан эффективный механизм предъявления тестовых заданий, который базируется на алгоритмах стохастической аппроксимации.

В третьей главе диссертации разрабатываются принципы генерации индивидуальной образовательной траектории, а также формальные модели организации взаимодействия консультанта с обучаемым с целью корректировки образовательной траектории. Решена задача классификации уровня знаний для дискретной шкалы при наличии априорной информации.

Предполагается возможность генерации образовательной траектории без участия консультанта. Однако полученная автоматической генерацией индивидуальная траектории обучения не всегда оптимальна, поэтому для консультанта разработана структура программной среды поддержки конструирования индивидуального плана на основании своих субъективных мнений.

В четвертой главе диссертации рассматриваются вопросы построения программного комплекса автоматизации и моделирования процессов подготовки, переподготовки и аттестации сотрудников транспортных предприятий. Разработана структура базы данных, интегрирующая учебный план, тестовые задания и результаты их выполнения. Разработан I программный комплекс, реализующий среду консультанта, который наряду с другими функциями обеспечивает автоматическое построение образовательной траектории по результатам выполнения выбранных обучаемым тестовых заданий. Комплекс реализован в рамках единой оболочки с универсальным интерфейсом и возможностью интеграции со стандартными пакетами. Комплекс разработан по открытому принципу, что позволяет наращивать функциональные возможности в процессе функционирования системы.

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы.

Научную новизну работы составляют нечеткие методы и модели управления образовательной траекторией в системе переподготовки персонала промышленных предприятий. На защиту выносятся:

• нечеткая модель учебного плана, как параллельно-последовательный процесс изучения нечетко-связного комплекса учебных модулей;

• модель нечеткого отношения уровня знаний и сложности тестовых заданий;

• модель транзитивного замыкания нечеткого отношения в процедуре управления образовательной траекторией;

• программно-моделирующий комплекс управления образовательной траекторией.

Обоснованность научных положений, рекомендаций и выводов определяется корректным использованием современных математических методов и моделей, согласованностью результатов аналитических и имитационных моделей процессов обучения и компьютерного тестового контроля. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения результатов работы в ряде крупных транспортных предприятий.

Научные результаты, полученные в диссертации, доведены до практического использования в системе переподготовки кадров транспортных предприятий. Они представляют непосредственный интерес в области комплексной автоматизации технологических процессов формирования индивидуальных учебных планов и рабочих программ для системы переподготовки.

Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в системе переподготовки ряда промышленных предприятий, а также используются при организации учебного процесса на кафедре АСУ МАДИ(ГТУ).

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научно-технических конференциях, симпозиумах и семинарах (2006-2009гг.);

• на заседании кафедры АСУ МАДИ(ТУ).

Совокупность научных положений, идей и практических результатов исследований в области автоматизации образовательного процесса составляет новое направление в области теоретических и практических методов принятия решений и выбора стратегий формирования индивидуальных учебных программ.

По результатам выполненных исследований опубликовано около 10 печатных работ.

Диссертационная работа состоит из введения, четырех глав и заключения, опубликованных на 144 страницах машинописного текста, содержит 19 рисунков, 12 таблиц, список литературы из 88 наименований и приложения.

Основные выводы и результаты работы

1. Проведен системный анализ задач подготовки и переподготовки кадров в системе управления персоналом промышленных предприятий, определены классы методов и моделей формализованного представления компонент процесса обучения.

2. Определен круг проблем, связанных с автоматизацией системы переподготовки и моделирования процесса обучения.

3. Реализовано формализованное представление компонент учебного плана. Обоснована необходимость создания базы термов, которая является основой оценки связности модулей и дисциплин в модели нечеткой логики.

4. Построены нечеткие количественные оценки эффективности учебного плана в зависимости от начального «уровня знаний». Разработаны адаптивные алгоритмы управления образовательной траекторией.

5. Разработаны модели преобразования уровня знаний и логистической кривой в вероятность правильного ответа на тестовое задание в нечеткой постановке.

6. Разработана структура базы данных автоматизации управления образовательной траекторией.

7. Разработан программно-моделирующий комплекса поддержки системы подготовки и переподготовки кадров в системе управления персоналом промышленных предприятий.

8. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий и на кафедре АСУ МАДИ(ГТУ). Показано, что внедрение результатов работы позволяет повысить качество и эффективность процессов разработки учебных планов.

1. Аванесов B.C. Научные проблемы* тестового контроля знаний. Монография. - М.: Исследовательский центр, 1994.

2. Аванесов B.C. Теоретические основы разработки заданий- в тестовой форме. М.: Исследовательский центр, 1995.

3. Агафонов В.Н. Спецификация программ: понятийные средства и их организация. Новосибирск, Наука, 1987, 238 с.

4. ВасильевВ.И. Наша концепция.// Вестник высшей шкояы. 1990. №10

5. ВороновскийГ. К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. -Харьков, 1997.-111 с.

6. Выготский' JLC. Избранные психологические исследования. М., МГУ; 1956.

7. Гершунский Б.С Философия образования. М-.: Флинта, 1998,

8. Государственный образовательный стандарт Российской Федерации. Высшее профессиональное образование. Общие требования. М., ГКВОРФ, 1993 -9с.

9. Готлиб М.А. Компьютеру дидактическое обеспечение. // Информатика и образование -М., Педагогика, N 4, с.3-14.

10. Готлиб'М.А. Структура АОС. //Информатика и образование -М-, Педагогика, N 3, 1987, с.11-20.

11. Желтое С., Лихачев Н., Степанов В. Виртуальная реальность новая информационная технология// Экология непознанного. - 1995. - № 1.- С.6-11.

12. Жуковская1 З.Д. Методологические основы разработки и функционирования комплексной системы контроля качества подготовки специалистов, в вузе. Диссертация на соискание ученой степени доктора педагогических наук.-С.П.: ЛГУ, 1994.

13. Зимняя И.А. Проблемы самооценивания как интериоризированной внешней оценки в процессе обучения. "Квалиметрия человека и образования.

14. Методология и практика. 2-й симпозиум, кн.1, ч. 1. М.: Исследовательский центр, 1993.

15. Казанович В.Г. Образовательная система как объект оценивания. Диссертация на соискание научной степени кандидата педагогических наук. -М.: Исследовательский центр, 1995.

16. Катыс Г.П., Катыс П.Г. Трехмерное отображение визуальной информации в виртуальном пространстве: Учебное пособие / МИРЭА. М., 1998.-78 с.

17. Кашицин В.П. и др. Состояние и развитие дистанционного образования в мире: Научно-аналитический доклад. М.: Изд-во «Магистр», 1997.-С. 44.

18. Коломиец Б.К. Инвариантные функции интеллектуальной деятельности. Техническое творчество: теория, методология, практика, энциклопедический словарь справочник./Под ред. А.И.Половинкина, В.В.Попова/. М.: НПО "Информсистема", 1994.

19. Коломиец Б.К. Комплексная оценка выпускников высших учебных заведений. Отчет по НИР за 1996 г. -М.: Исследовательский центр проблем качества подготовки специалистов. 1997, 136 с.

20. Коломиец Б.К. Образовательные стандарты и программы: инвариантные аспекты М.: Исследовательский центр проблем качества подготовки специалистов. 1999 - с. 144.

21. Лавров( С.С. Представление и использование знаний в автоматизированных системах. //МП. 1986, N 3, с. 14-19.

22. Литвак Б.Г. Экспертная оценка и принятие решений. М.: Патент, 1996 - 271 с.

23. ЛитвинцеваЛ'. В., Налитое С.Д. Графические средства для построения систем когнитивной графики и виртуальных миров // Программные продукты и системы. -1995. № 2.

24. Новое качество высшего образования в современной России. Труды Исследовательского центра. Род научной, редакцией Селезневой H.A. и Субетто А.И. М.: Исследовательский центр проблем качества подготовки специалистов. 1995. - 199 с.

25. Петин Б.Ф. Предложения по совершенствованию ГОСов по направлениям подготовки и специальностям. -М: Исследовательский центр проблем качества подготовки специалистов, 1996.

26. Подгорецкая H.A. Изучение приемов логического мышления' у взрослых. М., Педагогика, 1980.

27. Положение об итоговой государственной аттестации выпускников высших учебных заведений в Российской Федерации. М.Госкомвуз РФ, 25.05.94.

28. Положение об итоговой государственной аттестации студентов высших учебных заведений в РСФСР. Проект. М.: Научно - методический центр по подготовке, переподготовке и повышению квалификации специалистов. 1994.

29. Проходов А В., Рузин В.С О глубинной концепции образования.// Вестник высшей школы. 1990 № 5.

30. Растригин JI. С. Адаптивное обучение с моделью обучаемого. Рига: Знание, 1988.

31. Реформа и развитие высшего образования. Программный документ. ЮНЕСКО, 1995.

32. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. М., Наука, 1986.

33. Родионов Б.У.,Татур А.О. Стандарты и тесты в образовании.- М.: Исследовательский центр, 1995. 48с.

34. Сборник методических рекомендаций по разработке содержания обучения и дидактических систем. /Под ред. А.А.Золотарева М., МИИГА, 1988, 270 с.

35. Селезнева H.A. Проблемы оценки качества образования в России: состояние и перспективные пути решения. Труды Исследовательского центра. Серия: Научные доклады. М. Исследовательский центр проблем качества подготовки специалистов 1994.

36. Селезнева H.A., Коломиец Б.К. Проблемы итоговой государственной аттестации выпускников вузов, сб."Современные формы и методы контроля знаний студентов на различных этапах обучения и при аккредитации вузов" М.: Исследовательский центр. 1995.

37. Соколов В.М. Основы проектирования образовательных стандартов (методология; теория; практический опыт). М;: Исследовательский центр,, 1996. - 86с;

38. Степанов, А.А; Бахтина Т.Е., Свердлова Т.А., Желтое С.Ю. Обзор технических и программных средств систем виртуальной реальности // В сб.: "Технология виртуальной реальности". М., 1996. - С. 15-56.

39. Столл Р.Р. Множества; Логика. Аксиоматические теории; М., Наука, 19881

40. Субетто А.И; Системология, образовательных систем. -М.: Исслед. центр проблем качества подготовки специалистов, 1995.

41. Технология виртуальной реальности: состояние: и тенденции развития // Новости искусственного интеллекта. 1995. -№3.-С. 118-122.

42. Технология системного моделирования. /Под ред. С.В.Емельянова -М., Машиностроение; Берлин, Техник, 1988.

43. Титов А.В. Алгоритм* агрегирования с использованием смешанной: стратегии. Исследовательский центр. 1995.

44. Титтел Эд., Сандерс К., Скотт Ч., Вольф Г1. Создание УИМЬ миров / Пер. с англ. Киев: Изд-во Труппа ВНУ", 1997. - 320 с.

45. Тихомиров В.П., Солдаткин В.И., Лобачев; С.Л., Ковальчук О.Г. Дистанционное обучение: к виртуальным средам, знаний. Дистанционное образование . №2. - 1999. - С.8-16.

46. Управление современным образованием: социальные и экономические аспекты / Под ред. А.Н.Тихонова. М., 1998.- С. 256.

47. Челышкова М.Б. Разработка педагогических тестов на основе современных математических моделей: Уч. пособие. М.: Исслед. центр проблем качества подготовки специалистов, 1995. 32 с

48. Begault D. 3D Sound for Virtual Reality and Multimedia // Academic Press. 1994.

49. Birnbaunv A. Some Latent Trait Models and Their Use in- Statistical Theories of Mental Test Scores. Reading, Mass. : Addison«- Wesly, 1968.

50. Candeir Thomas P. The Application^ of Neural Networks to Virtual' Reality // 1CNN Tutorial. 1994. № 13. WCCI (Orlando F.L.).

51. Casas L.A.A. et al. Virtual' reality full immersion techniques for enhancing workers performance // Proc. Intern. Conf. On Integrated and Sustainable Industrial'Production. (Lisbon, Portugal). 1997. P. 399-411.

52. Elane El-Khawas. External Scrutiny, US Style: multiple actors, overlapping roles. Governments and professional, education / Edited by Tony Becher. UK. Published by SRHE and Open University Press. Bristol: HEFCE, 1993.

53. Enseignement a distance: realites, enjeux et perspectives: Rapport presente par 7-C1. Barbarante: Conseil economique et social. P., 1997.

54. Gibson W.A., Latent Structure and Positive Manifold, «British Journal of Statistical Psychology», 15, 1962, 149—160.

55. Gibson W.A. Nonlinear Factors in Two Dimensions, «Psychometrika», 25, 1960, 381—392.

56. Green B.F., A General Solution for the Latent Class Model of Latent Structure Analysis, «Psychometrika», 16, 1951, 151— 166.

57. Jnternatronal Standard Classification of Education (JSCD), revised version 2. UNESCO, 1996.

58. Joraskog K-S. A General Programm for Analysis of Coveriance Structures .Including Generalized MANONA, Edication Testing Service, Princeton, N.S., 1971.

59. Kenneth Nemire. Evaluting an immersive virtual environment prototyping and simulation // SPIE. 1997. Vol. 3012. P. 408-416.

60. Lazarsfeld P.F. Latent Structure Analysis, b: S. Koch (ed), «Psychology: A Study of a Science», New York, McGraw-Hill, 1959.

61. Leary D.E. Artificial intelligence and virtual organizations // Commum ACM (USA). 1997. Vol. 40. № 1. P. 52-59.

62. Libermcm Henry. Intelligent graphics // Commun. ACM. 1996. Vol. 39. № 8. P. 38-48.

63. Lord F.M. Application of Item Response Theory to Practical Testing Problems. Hillsdale N J. Lawrence Eribaum Ass., Publ. 1980.

64. Lord F.M., Novick M. Statistical Theories of Mental Test Scores. Addison-Wesley Publ. Co. Reading, Mass., 1968.

65. Macedonia M.R. A transatlantic research and development environment (3D virtual graphics) // IEEE Comput. Graph. Appl. 1997. Vol. 17. № 2. P. 76-82.

66. Menousek B., Wolfe T. Virtual reality the modular way // Comput. Graph. (USA). Aug. 1997. Vol. 31. № 3. P. 66-68.

67. Mood A.M. Macro-Analysis of American Edution System, Operation Res, 17,770-780, 1969.

68. Padgett Mary Lou et al. Virtual Reality systems: from training simulators to . intelligent VR//Proc. SPffi. 1996. Vol. 2878. P. 409-450.

69. Pelletier F. The virtual and real environments: symbiosis // Proc. Internal Conf. On Virtual Systems and Multimedia. 1997. P. 246-247.

70. Pourzand A.R. and Callings N. Progress in the construction of multilayer optical neural network //Proc. SPffi. 1998. Vol. 3940. p. 439-442.

71. Rasch, G. Probabilistic Models for Some Intelligence and Afteword by B.D.Wright. The Univ. of Chicago Press. Chicago & London, 1980.

72. Simmonds B. Enhancing reality to make the ideal instruments // Control and lustrum. 1995. Vol. 27. № 12. P. 29, 30.

73. The European conventions on higher education. Council of Europe. -Strasbourg: Council of Europe Press, 1995.

74. Udo Jakob, Efi Douloumi. Let's move on the integration of motion Rendering in VR// SPffi. 1997. Vol. 3012. P. 454-460.

75. Umeki V., Doi M. Sensation of movement in virtual space // Electron. Commun. Jpn. Fundam. Electron. Sc. (USA). June, 1997. Vol. 80. № 6. P. 74-82.

76. Vacca J.R. VRML: bringing virtual reality to the internet: CD-ROM included. Boston, 1996. - 552 p.

77. Watars R.C; Barrus J.W. The rise of shared virtual environments // IEEE Spectr. (USA). March. 1997. Vol. 34. № 3. P. 20-25.

78. Watson B. Evaluation of the effects of frame variation on VR tosk performance // Proc. IIIEE. 1997. Virtual Reality Annual Internal Symposium. P. 38-44.

79. Wherry R.J., Gaylord R.H., Factor Pattern of Test Items and Tests as a Function of the Correlation Coefficient: Content, Difficulty, and Constant Error Factors, «Psychometrika», 9, 1944, 237-244.

80. Ying-Ying Fang et al. A pseudo-immersive virtual environment a shell for research // Int. J. Virtual Real. (USA) 1996. Vol. 2. № 3. P. 8-14.