автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка моделей и алгоритмов автоматизации процессов адаптивного обучения специалистов для предприятий

на правах рукописи

РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ АВТОМАТИЗАЦИИ ПРОЦЕССОВ АДАПТИВНОГО ОБУЧЕНИЯ СПЕЦИАЛИСТОВ ДЛЯ ПРЕДПРИЯТИЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (полиграфические средства информации и информационные системы)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 7 МАР 2011

Москва-2011

4840449

Работа выполнена на кафедре «Информатика и вычислительная техника» ГОУ ВПО «Московский государственный университет печати им. Ивана Федорова».

Защита состоится «31» марта 2011 г. в 12 часов 30 минут на заседании диссертационного совета Д 212.147.03 при Московском государственном университете печати им. Ивана Федорова по адресу 127550, г. Москва, ул. Прянишникова, дом 2 А.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Московский государственный университет печати им. Ивана Федорова».

Научный руководитель:

доктор технических наук, доцент Попов Дмитрий Иванович

Официальные оппоненты:

доктор технических наук, профессор

Майков Константин Анатольевич кандидат технических наук

Тягунова Татьяна Николаевна

Ведущая организация:

Московский автомобильно-дорожный государственный технический университет (МАДИ).

Ученый секретарь

Ученый секретарь

диссертационного совета Д 212.147.03

профессор Агеев В.Н.

1. Общая характеристика работы

1.1. Актуальность проблемы. В условиях увеличения скорости устаревания профессиональных знаний, повышается актуальность непрерывного образования, которое включает в себя аттестацию персонала. Одним из важнейших условий развития полиграфической отрасли и перехода на новый этап информационного развития является информатизация процессов и применение адаптивных подходов к обучению. Этим объясняется внимание правительства и профильных организаций к разработке и применению информационных и коммуникационных технологий в полиграфической промышленности, классическом и открытом образовании. Автоматизация процессов обучения, аттестации персонала, а также использование адаптивных подходов и алгоритмов позволяют сократить временные затраты на подготовку и аттестацию специалистов для предприятий. Именно этому посвящена диссертационная работа, и актуальность ее обусловлена вышеперечисленными факторами.

1.2. Цель исследования. Целью данной диссертационной работы является разработка методов и алгоритмов оценки результатов обучения специалистов для предприятий в адаптивных автоматизированных системах открытого обучения на основе методов математической статистики, нечеткой логики с применением алгоритмов интеллектуального анализа данных.

1.3. Задачи исследования. В соответствии с поставленной целью в работе решены следующие задачи:

- провести анализ существующих методов и алгоритмов автоматизации систем дистанционного обучения, использующихся на предприятиях полиграфического профиля;

- разработать адаптивную модель комплексной оценки знаний при аттестации персонала предприятий полиграфического профиля;

- создать методику разработки индивидуальных стратегий обучения специалистов;

- решить практические задачи по разработке базы данных, проектированию алгоритмов и программного обеспечения автоматизации процессов адаптивного обучения.

1.4. Методы исследования. Для достижения поставленных целей и решения задач использованы методы математической статистики и нечеткой логики, алгоритмы data mining. Разработка программ для реализации алгоритмов проведена на языках программирования Delphi, С#, Transact-SQL.

1.5. Областью исследования является управление технологическими процессами и производствами, включающее в себя методы эффективной организации контроля успеваемости полученных знаний при аттестации персонала полиграфических предприятий, методологию разработки индивидуальных стратегий обучения персонала, разработку специализированного информационного и программного обеспечения для систем открытого образования и дистанционного обучения, включая базы и банки данных, а также методы их оптимизации.

1.6. Научная новизна полученных в данной работе результатов состоит в следующем:

1. Разработан адаптивный метод комплексной оценки знаний в системах образования с применением дистанционных образовательных технологий.

2. Разработан подход к построению адаптивных индивидуальных стратегий обучения специалистов для предприятий.

1.7. Методологической основой исследования являются работы в области нечеткой логики, адаптации сложных систем, решения задач обучения «без учителя» и с учителем, методы обобщения и индукции, автоматизации управления аттестацией персонала (работы Л.А. Растригина, В.Н. Вагина, Л.А. Заде, В.И. Васильева, Д.И. Попова).

1.8. Достоверность полученных результатов подтверждается использованием методов математической статистики, нечеткой логики, а также практической реализацией и внедрением разработанных моделей и алгоритмов.

1.9. Оценка теоретической значимости результатов работы. Полученные математические модели и алгоритмы являются теоретической основой для создания адаптивной автоматизированной системы дистанционного обучения «СоЛиЗ». Рейтинг слушателя и подход к построению индивидуальных стратегий обучения применяется при обучении сотрудников предприятий полиграфической отрасли.

1.10. Практическая ценность работы. На основании предложенных теоретических разработок была создана адаптивная автоматизированная система дистанционного обучения «СоЯиЗ» (свидетельство об официальной регистрации программ для ЭВМ № 2010616743 от 08 октября 2010 г. М.: Федеральная служба по интеллектуальной собственности, патентам и товарным знакам);

Применение данного программного обеспечения позволило автоматизировать работу Института открытого образования. Внедрить инновационные технологии в систему дистанционного обучения, повысить качество оценки знаний слушателей и рассчитывать динамику изменения оценки в будущем.

1.11. На защиту выносятся следующие положения:

- методика комплексной оценки знаний на основе рейтинга;

- методы и алгоритмы построения адаптивных индивидуальных стратегий обучения;

- методика организации хранения тестовых заданий.

1.12. Апробация работы. Основные результаты диссертационной работы обсуждены на: 3-ей отраслевой научно-технической конференции МТУСИ, Москва, 2009; Международном фестивале информационных технологий «МедиаФест-2009», Москва, 2009; международном учебно-научном семинаре «Корпоративные информационные системы», Москва, 2010. Модели и алгоритмы, полученные автором данной работы, использовались в процессе обучения студентов в Институте открытого образования Московского государственного университета печати (акт от «21» октября 2010 г.), а также в издательско-полиграфическом комплексе «Н.Т.ГРАФ» (акт от «27» сентября 2010 г.).

1.13. Публикации. Основные работы изложены в 9 научных публикациях, в том числе в ведущих рецензируемых научных изданиях, рекомендуемых ВАК - 1 статья. Программное обеспечение официально зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам.

1.14. Структура работы. Диссертационная работа состоит из введения, четырех глав, заключений по каждой главе, основных результатов и выводов, библиографического списка и 3 приложений. Основной текст изложен на 142 страницах, содержит 25 рисунков, 16 таблиц. Библиографический список содержит 100 наименований. Приложения выполнены на 16 страницах.

2. Содержание диссертации.

Во введении обосновывается актуальность работы. Ставятся цели и задачи исследования. Приводятся основные положения работы и краткое содержание глав диссертации.

В первой главе проводится анализ научных школ, современных подходов к автоматизации систем аттестации персонала предприятий, обосновывается необходимость применения дистанционного образования для подготовки специалистов для полиграфии.

В настоящее время наиболее перспективным и наиболее популярным способом профессионального обучения персонала на предприятиях является обучение «без отрыва от производства». Такой подход обуславливается недостатком финансовых и человеческих ресурсов, спецификой ведения бизнеса, отсутствием гибкого расписания занятий. При таких исходных данных наиболее предпочтительной формой обучения является дистанционное обучение, которое активно развивается не только в полиграфической отрасли, но и в промышленности в целом. Поэтому в данной работе будут рассматриваться методы и алгоритмы, применимые, в первую очередь, к системам дистанционного обучения и открытого образования.

Дистанционное обучение (ДО) можно рассматривать как совокупность «процесс-система». Такое представление отражает наиболее важные особенности дистанционного обучения. Под дистанционным обучением понимается процесс обучения, когда слушатель с одной стороны, а преподаватель и ресурсы для обучения с другой стороны, физически разделены расстоянием, но связаны посредством технологий. Кроме того, дистанционное обучение можно рассматривать как систему, обеспечивающую взаимодействие между учащимися и учителем, а также взаимодействие учащихся между собой и их доступ к ресурсам обучения. Отличительной особенностью дистанционного обучения является тот факт, что получение знаний, равно как и их оценка, т.е. сдача тестов, зачетов и экзаменов может происходить без присутствия преподавателя или с минимальным его присутствием. К основным отличиям дистанционного обучения от заочной формы относятся:

- дистанционное обучение ограничивает непосредственный контакт слушателя и преподавателя до минимума;

- слушателя полностью обеспечивается всеми источниками по данному курсу с помощью различных средств передачи и представления информации и знаний;

- в качестве носителей информации рассматриваются различные среды, в первую очередь Интернет, компьютерные носители информации, мультимедиа, видео, аудио, телевидение и т.д.;

- используются преимущественно электронные способы передачи информации, Интернет, кабельное, спутниковое телевидение.

В области ДО работают многие отечественные ученые и специалисты. Среди них: Афанасьев Ю.Н., Ахаян A.A., Бурлаков A.M., Барабанщиков A.B., Богданова Д.А., Вержбицкий В.В., Воронина Т.П., Ваграменко Я.А., Демин Ю.Н., Дик В.В., Зайцева Ж.Н., Кашицин В.П., Круглов Ю.Г., Попов Д.И., Карпенко М.П., Кривошеев А.О., Кинелев В.Г., Лобачев C.JL, Овсянников В.И., Тихомиров В.П., Тихонов А.Н., Иванников А.Д., Каймин В.А., Колосов Д.Э., Васильев В.И., Меркулов В.П., Матюхин В.М., Полат Е.С., Попов Ю.Н., Рубин Ю.Б., Савельев А.Я., Солдаткин В.И., Самолаев Ю.Н., Самойлов В.А., Поляков A.A., Молчанова О.П., Мордвинов В.А., Нежурина М.И.,

Чернилевский Д.В., Щенников С.А., Федосеев A.A., Хуторской A.B., Хорошилов A.B. и др.

В целом, процесс обучения может быть сформулирован как задача управления сложной системой, в которой слушатель - это объект управления, а преподаватель -обучающее устройство. Но данная модель должна включать еще одну важную составляющую - пакеты автоматизированных систем, с применением которые происходит взаимодействие преподавателя и слушателя. К таким пакетам относятся: системы управления учебными процессами, аттестации и контроля знаний, среды разработки учебных материалов, без которых сейчас нельзя представить современную образовательную структуру. В каждом из пакетов должны быть заложены алгоритмы собственной адаптации.

Вторая глава содержит описание основных задач, принципов и алгоритмов интеллектуального анализа данных, применение теории цепей Маркова к системам обучения с использованием дистанционных образовательных технологий.

К основным задачам в сфере открытого образования, решаемым в процессе интеллектуального анализа данных, относятся классификация, кластеризация, анализ взаимосвязей, регрессия, прогнозирование, анализ последовательностей и отклонений. В целом, этапы реализации проектов, связанных с интеллектуальным анализом данных в различных областях схожи, и проходят одни и те же этапы: формулировка бизнес-проблемы, сбор данных, очистка и преобразование данных, создание и оценка модели. Для решения описанных выше общих задач используются соответствующие алгоритмы интеллектуального анализа данных - механизмы, создающие модели интеллектуального анализа данных: упрощенный алгоритм Байеса, деревья решений, алгоритм анализа временных рядов, алгоритм кластерного анализа, алгоритм кластеризации последовательностей, алгоритм анализа взаимосвязей, алгоритмы нейронных сетей. Результаты решения данных задач оказывают влияние на процессы принятия решений и способны выступать в качестве выходных данных в процессе адаптации систем открытого обучения при подготовке специалистов для полиграфических предприятий.

Используемый сейчас процесс обучения представляется в виде заранее определенной последовательности изучения дисциплин и материалов, не допускающей никаких изменений и перестановок. В процессе обучения специалистов для предприятий оптимальным является применение дистанционных образовательных технологий и дисциплины, изучаемые слушателем, формируют последовательность случайных событий или состояний. Для описания такой стратегии обучения можно представить его на основе модели цепи Маркова.

В третьей главе диссертации рассматриваются особенности обучения специалистов для полиграфических предприятий, производится разработка математических моделей подходов к образованию и учету успеваемости, предлагается расчет погрешности оценивания знаний при использовании классического подхода к обучению, разрабатываются адаптивная комплексная оценка успеваемости «Рейтинг слушателя» и подход к построению адаптивных индивидуальных стратегий обучения, а также дополнение к стандарту построения электронных изданий SCORM.

Обучение специалистов для полиграфических предприятий имеет ряд особенностей, связанных как с общими принципами обучения и адаптации взрослых людей, так и с профилем подготовки. Изменения в полиграфии происходят постоянно и связаны с появлением новых технологий и материалов, усложнением технологического оборудования, ужесточением требований к качеству продукции. В настоящее время

подготовка специалиста занимает до 6 лет, в зависимости от формы обучения. Получить работу по специальности по окончании ВУЗа крайне сложно даже при наличии опыта работы на полиграфических предприятиях. Поэтому основной задачей подготовки специалистов для полиграфической отрасли является обучение современным полиграфическим технологиям на современной технике с использованием новейших методов и подходов в профессиональном образовании. Это означает что, преподавателям, тренерам, менеджерам предприятий необходимо систематически учиться, либо переучиваться, приобретать новые навыки и умения, развивать свою компетентность для обучения слушателей и подчиненных. В общем случае, данная проблема рассматривается, как обучение взрослых людей.

На данный момент применяются различные системы оценки знаний, номинальные шкалы оценки и традиционной считается оценка по пятибалльной шкале. Далее такой подход к оцениванию будем называть «классическим». При использовании классических форм итогового контроля, таких как экзамен или зачет, данная оценка обеспечивает требуемую точность и достоверность результатов. Самым простым способом определения итоговой оценки за отчетный период является вычисление среднего арифметического значения из последних оценок по каждому сданному экзамену. Таким образом, в расчете итоговой оценки появляются неточности, в связи с учетом не всех полученных оценок, которые находятся в конечном множестве номинальной шкалы оценивания и являются в большей степени субъективными. На основе количественных показателей успеваемости вычисляется качественная оценка слушателя.

Модель существующего подхода к обучению и определению успеваемости можно представить следующим образом. Пусть О - итоговая оценка слушателя. Тогда множество признаков, характеризующих состояние системы образования, выглядит следующим образом:

Y = {R,P, U, D, 0}

где R = = maxk=ij;Рк ,j 6 D] - количественная оценка за прохождение итогового испытания;

U - номинальная шкала оценивания с областью определения [Umin, Urnax], где Umin> Umax ~ минимальная и максимальная положительные оценки номинальной шкалы;

D- множество всех дисциплин, изучаемых слушателем;

D0 € D - множество дисциплин, участвующих в формировании итоговой оценки, например, с формой итогового контроля «экзамен»;

Р = {Рк}(к ££))- множество всех попыток сдачи итогового испытания;

Тогда, математическая модель современного подхода к обучению и определению успеваемости описывается следующей системой:

О = 0(RtJ,Do,U);

R = R(D, U,P); ' Ru > Umin I' = = 1. (D - D0);

Rij ь Umin\i = ma&pk ,j = 17d.

^ J k=l,N

Аналитически итоговая оценка при существующем подходе к образованию вычисляется следующим образом:

Umax

0= £ (kiRij) /D0,

Umin

где е 1,Л/|1 е [итЫ, итах] - количество оценок, соответствующих конкретному значению по номинальной шкале оценивания.

При использовании экспертного метода оценивания в системах открытого образования возникают различного рода неточности объективного и субъективного характера. Самой значительной неточностью является погрешность при округлении результатов тестирования в интервалах оценивания. Для проведения исследований была использована база данных результатов тестирований Института открытого образования МГУ Печати им. Ивана Федорова (ИОО МГУП). Результаты тестирований сгруппированы в интервалах оценивания, заданных экспертами при разработке тестовых заданий.

Таблица 1

Распределение результатов тестирования и оценок по интервалам оценивания

Номер Значение интервалов оценивания Количественная оценка Качественная оценка по

интервала по номинальной шкале номинальной шкале

1 [0;55) 2 неудовлетворительно

2 [55;70) 3 удовлетворительно

3 [70;85) 4 хорошо

4 [85; 100] 5 отлично

По вхождению полученной оценки за тестирование выставляется соответствующая оценка по номинальной шкале оценивания. В данном случае по 5-балльной номинальной шкале. В табл. 2. приведено распределение результатов тестирований по интервалам. К прочим относятся результаты, полученные без использования процесса тестирования: курсовые работы, рефераты, контрольные работы и пр., а также незавершенные, либо прерванные сеансы тестирования. Таким образом, для исследования были выбраны все положительные результаты тестирований в количестве 275 515, что составляет 56,3% от общего числа записей в базе данных ИОО МГУП. Для определения этой погрешности была использована методика расчета числовых характеристик эмпирических распределений.

Таблица 2

Количество положительных результатов тестирований по интервалам

Количество Процент от общего

Номер интервала оценивания результатов числа результатов

тестирования тестирования, %

1 204 401 41,793

2 79 538 16,263

3 106 402 21,755

4 89 575 18,315

Прочие результаты 9 166 1,874

Итого положительных результатов: 275 515 56,333

Всего отрицательных результатов 213 567 43,667

Всего: 489 082 100

Средняя погрешность при выставлении оценки в системе открытого образования представляет собой среднее значение из средних квадратических отклонений каждого из возможных результатов тестирования на каждом интервале оценивания:

к

где 5) - среднее квадратическое отклонение на интервале у; /?- количество интервалов с положительными оценками по номинальной шкале. Среднее квадратическое отклонение для интервала у представляет собой среднее значение из средних квадратических отклонений для каждого из возможных результатов тестирования на интервале у:

* = д I 5*

где - среднее квадратическое отклонение результата тестирования к;

О - количество возможных оценок в интервале у;

Отт> Отах ~ минимальная и максимальная границы интервала соответственно.

Среднее квадратическое отклонение для несгруппированных данных вычисляется следующим образом:

с _ | V Ы ~ *;)2

где - результат ¡-ого тестирования;

х, - среднее арифметическое между минимальным и максимальным значениями в интервале оценивания у;

п - количество результатов тестирования с оценкой к.

В табл. 3 представлены данные, полученные при вычислении среднего квадратического отклонения на всех интервалах оценивания, а также значение средней погрешности оценивания.

Таблица 3

Вариант среднего интервального значения Интервал 155;70), % Интервал [70;85), % Интервал [85; 100], % Средняя погрешность, %

10 000 6.509 6,501 7,5 6,837

20 000 6,509 6,501 7,5 6,837

30 000 6,509 6,501 7,5 6,837

40 000 6,509 6,501 7,5 6,837

50 000 6,509 6,501 7,5 6,837

60 000 6,509 6,501 7,5 6,837

70 000 6,509 6,501 7,5 6,837

80 000 - 6,501 7,5 -

90 000 - 6,501 - -

100 000 - 6,501 - -

На основании данных, представленных в табл. 3 можно сделать следующие выводы:

1. Использование стандартного подхода к оценке знаний в системах обрытого образования приводит к появлению погрешности при интерпретации результатов тестирования;

2. Для исследованной системы дистанционного обучения Института открытого образования МГУП погрешность при оценивании знаний равна 6,837%.

С учетом выявленных погрешностей и субъективностью экспертной оценки встают вопросы о минимизации влияния преподавателя на процесс оценки полученных знаний и дополнении классического подхода к оценке знаний слушателей, за счет учета большего числа параметров.

Введем понятие новой оценки успеваемости. Рейтинг слушателя - адаптивная структурная итоговая оценка, которая позволяет учитывать оценки по каждому сеансу тестирования, количество сеансов тестирования, количество дисциплин и количество тестов по каждой из них. Рейтинг слушателя заменяет собой признаки состояния системы и позволяет использовать структурную адаптацию в процессе формирования итоговой оценки, т.е. модифицировать структуру итоговой оценки, как объекта адаптации, и учитывать только требуемые параметры при ее вычислении. Схема структурной адаптации приведена на рис. 1.

Рис. 1. Схема структурной адаптации рейтинга слушателя.

Из системы тестирования данные о результатах прохождения тестов X подаются на вход объекта «рейтинг слушателя», в котором производится уточнение значения Д. Далее формируются требования к оценке успеваемости в зависимости от потребностей учебного заведения или конкретной ситуации. В результате на выходе формируется структурные факторы, которые могут учитываться в рейтинге слушателя IV. С учетом требуемой структуры, изменяются адаптируемые параметры рейтинга слушателя С — (с1(..., ск). Задача адаптации в данном случае выглядит следующим образом:

С(С) -»Се Есу, => С*, где Ее — множество допустимых параметров С, соответствующих структуре, определяемой IV;

W - требуемая структура рейтинга; С' - параметры этой структуры.

Таким образом, состояние образовательной системы представляется рейтингом слушателя и представляется в следующем виде.

R = (х, Р, Т, D, U, О),

где R - рейтинг слушателя; О - итоговая оценка;

U- номинальная шкала оценивания с областью определения [t/mjn, Umax], где i/mj„, Umax - минимальная и максимальная положительные оценки номинальной шкалы соответственно;

D - множество дисциплин, изучаемых слушателем; Т- множество тестов по дисциплине;

Р = {Pdt\d eD.teT)- множество сеансов тестирования по тесту Г дисциплины D; Xi — результат i-oro тестирования по тесту Т;

Тогда, математическая модель подхода к обучению с использованием рейтинга слушателя описывается следующей системой:

( О = 0(R, U)-, |R = R(.x,P,T,D,Uy, ' Rmin.

где Rmin - минимально допустимый рейтинг слушателя, определяемый экспертом (преподавателем).

Минимально допустимый рейтинг задается экспертом и определяет момент окончание обучения слушателя исходя из конкретной ситуации, условий обучения и требований к квалификации.

Аналитически рейтинг слушателя вычисляется следующим образом:

D

R =

к=1

где R— рейтинг слушателя; D - количество дисциплин; RDk - средняя оценка по дисциплине к.

т

i=1

где Rd - средняя оценка по дисциплине; Г - количество тестов по дисциплине D; Rcpj - средняя оценка по j-ому тесту.

р

Rep = д/Р, ¡=1

где Rcp - средняя оценка по тесту; xt - результат i-ой попытки прохождения теста; Р - количество сеансов тестирования. Для проведения исследования и расчета рейтинга слушателя были взяты результаты тестирований выпускников 2009 года Института открытого образования

МГУ Печати им. Ивана Федорова, обучавшихся на заочной форме обучения с применением дистанционных образовательных технологий, обучающихся по специальности «Издательское дело и редактирование». Результаты исследования представлены на рис. 2.

Значения предложенного показателя оценки успеваемости «Рейтинг слушателя» отличаются в меньшую сторону от классической оценки с силу того, что при оценивании учитывается большее количество параметров: количество попыток прохождения тестов, количество тестов, количество дисциплин.

№ слушателя

Рис. 2. Сравнение результатов исследования.

В Классическая оценка Рейтинг без учета промежуточных тестов Рейтинг с учетом промежуточных тестов

4 4-

Слущатель 3

Классическая оценка Рейтинг слушателя

Слушатель 4

^Классическая оценка Рейтинг слушателя

3 4 5 6 7 Дисциплины

8 9 10

4 5 6 7 Дисциплины

Рис. 3. Динамика изменения оценок слушателей 3 и 4.

Слушатель 2

Слушатель 6

—Классическая оценка • Рейтинг слушателя

I I'? Т

Классическая оценка Рейтинг слушателя

о

2 6 X

о,.

ф

Р 5,5 Г

т 123456789 10

х

123456789 10

Дисциплины

Дисциплины

Рис. 4. Динамика изменения оценок слушателей 2 и 6.

Из представленных графиков можно сделать вывод о том, что учащийся 3 является самым добросовестным в группе, т.к. графики имеют одинаковую форму и проходят достаточно близко друг к другу. Слушатель 4 на изучение дисциплин затрачивают большое количество попыток на каждый тест. Слушатель 2 имеег достаточно низкие оценки, но во время обучения наблюдается стабильность в изучении дисциплин, т.е. количество попыток прохождения по всем тестам примерно одинаково. Слушатель 6, наоборот, при движении от дисциплины и дисциплине увеличивают количество попыток, что видно по увеличивающемуся отклонению оценок.

Таким образом, кроме учета большего числа параметров, рейтинг слушателя позволяет оценить не только количественно, но и качественно работу студента за отчетный период, который может не совпадать со сроками сессии или календарными сроками.

Классический подход к образованию характеризуется последовательностью изучения дисциплин, жесткой привязкой к учебному плану, нормативным сроком освоения обязательной образовательной программы. Согласно существующему подходу к образованию, каждый слушатель последовательно изучает все дисциплины из учебного плана, согласно графику учебного процесса, получает оценку из номинальной шкалы оценивания, исходя из результата прохождения контрольных мероприятий.

Предлагается новый подход к организации образовательного процесса -адаптивная индивидуальная стратегия обучения. Под данным понятием понимается алгоритм построения учебного плана, для каждого слушателя исходя из его предпочтений, степени подготовленности, мотивации и других личных характеристик. Для реализации данного подхода необходимо ввести в образовательные системы, кроме методического обеспечения, тьюторское сопровождение. Адаптивная индивидуальная стратегия обучения строится на основании следующих принципов:

- учебный план разбивается на блоки, в которые включаются зависимые друг от друга дисциплины одной направленности/цикла;

- для изучения дисциплины, необходимо изучения всех предшествующих ей дисциплин из цикла, в который она входит;

- учебные материалы предоставляются исходя из выбранного объема изучения;

- результативность выбранной стратегии обучения оценивается на основании рейтинга слушателя Л;

- слушатель при помощи тьютора может определить:

о состав учебного плана; о последовательность изучения дисциплин; о время изучения каждой дисциплины;

о объем изучения (максимальную оценку по номинальной шкале оценивания)

каждой дисциплины; о график учебного процесса; о форму контрольных мероприятий. - в процессе обучения слушатель может корректировать выбранную стратегию обучения;

Далее приводится формальное описание адаптивной стратегии обучения. Пусть процесс обучения слушателя, как некоторая система в каждый момент времени находящаяся в одном из к состояний, в результате испытаний в отдельные моменты времени изменяет свое состояние, т.е. переходит из состояния / в другое состояние у. Причем после некоторого испытания система может остаться в том же состоянии1. Под состоянием системы будем понимать изучаемую в данный момент времени дисциплину. Под испытаниями - тестирования слушателя по некоторой дисциплине, т.е. изменения состояния системы. Условная вероятность ру(0 того, что при некотором итоговом тестировании г изучается дисциплина у, при условии что, при предыдущем итоговом тестировании /-/ изучалась дисциплина /', не зависит от результатов пройденных ранее тестов. Кроме того условная вероятность не зависит от порядкового номера

итогового теста, поскольку последовательность изучения дисциплин выбирает слушатель. Таким образом, адаптивную стратегию обучения можно представить в виде однородной цепи Маркова

Под переходной вероятностью рц будем понимать условную вероятность того, что после прохождения итогового теста слушатель перейдет к изучению следующей дисциплины, т.е. закончит изучения текущей. Из всего вышесказанного, можно составить матрицу переходов образовательной системы, которая содержит все переходные вероятности от дисциплины к дисциплине:

(Рп Р12 - РиЛ Р21 Р22 - Р2к |

Рк1 Рк1 - Ркк/

Таким образом, используя равенство Маркова, можно найти вероятность завершения этапа обучения или окончания обучения за некоторое количество шагов -переходов между дисциплинами. При этом образовательная система перейдет из состояния /' в некоторое состояние Результатом вычисления указанной вероятности будет матрица переходов.

Используя данные об обучении группы выпускников ИОО МГУП, для которых производился расчет рейтинга слушателя, можно составить матрицу переходов на основании последовательности изучения дисциплин.

1 Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для вузов / В. Е. Гмурман / 9-е изд., стер. - М.: Высш. шк., 2003. -479 с: ил.

Таблица 4

Матрица переходов состояний

1 2 3 4 5 6 7 8 9 10

1 0,07 0,40 0,13 0,20 0,07 0,00 0,00 0,00 0,00 0,13

2 0,00 0,18 0,35 0,06 0,06 0,06 0,12 0,12 0,00 0,06

3 0,13 0,13 0,06 0,19 0,19 0,00 0,06 0,06 0,13 0,06

4 0,07 0,07 0,00 0,14 0,07 0,21 0,07 0,14 0,07 0,14

5 0,08 0,08 0,00 0,15 0,00 0,15 0,38 0,08 0,00 0,08

6 0,00 0,00 0,09 0,09 0,18 0,09 0,18 0,09 0,27 0,00

7 0,00 0,13 0,00 0,13 0,13 0,13 0,00 0,20 0,07 0,20

8 0,07 0,00 0,14 0,07 0,14 0,00 0,14 0,00 0,29 0,14

9 0,19 0,00 0,06 0,00 0,13 0,19 0,00 0,06 0,25 0,13

10 0,00 0,00 0,07 0,07 0,07 0,20 0,07 0,20 0,27 0,07

Для более гибкого и эффективного использования временных ресурсов, а также для учета индивидуальных личностных качеств слушателей в предложенном подходе к построению индивидуальных стратегий обучения используется параметрическая адаптация. В качестве обратной связи используется значение предложенного ранее рейтинга слушателя. На рис. 5. представлена схема адаптации в индивидуальной стратегии обучения.

Рис. 5. Схема адаптации в индивидуальной стратегии обучения

Задача адаптации в данном случае выглядит следующим образом:

С(С) С е [й - Дг, Я + Дг] => С\ где Дг - изменение рейтинга после попытки прохождения теста.

Таким образом, работа адаптивной индивидуальной стратегии обучения заключается в следующем. На вход системы подбора образовательного контента

подается начальное значение рейтинга слушателя X. На основании этих данных выбирается только те материалы К, которые слушатель может изучить, т.е. их сложность примерно равна рейтингу слушателя. Изучив предоставленные материалы, слушатель, проходит тестирование Т. После этого уточняется его рейтинг R, в зависимости от которого предоставляется следующие учебные материалы.

Под контентом и учебными материалами подразумеваются электронные образовательные ресурсы (ЭОР) соответствующие стандарту SCORM. Оценку их сложности производит эксперт. Номинальная шкала оценивания должна быть такой же, как и для оценки рейтинга слушателя. Для введения коэффициента сложности в автоматизированную образовательную систему предлагается дополнить метаданные в структуре ЭОР соответствующей характеристикой, отражающей сложность материала, т.е. модифицировать структуру учебных блоков и пакетов, описанных в модели Content Aggregation Model (САМ) стандарта SCORM2. В раздел <1ош> включается новое свойство <complexity>, значение которого определяет ревалентность учебного блока или пакета исходя из рейтинга слушателя.

Для определения наиболее оптимального подхода к обучению специалистов для полиграфических предприятий проводится исследование задач многокритериаль-ной оптимизации.

Для решения поставленной задачи используется нечетко-возможностный подход, который формализует и разрешает многокритериальную неопределенность. Теории возможностей, которая основана на нечетких множествах, позволяет количественно описать суждения, охарактеризовать неопределенности, а также при выборе решения моделировать неточность. Задача заключается в нахождении некоторого обобщенного показателя эффективности принимаемого решения (Z), который представляет собой операцию над нечеткими событиями Z(x) = H(Zt(x), Z2(x),... ,Z„(x)) V е X. Для построения обобщенного показателя эффективности решения используем нечетко-возможностную свертку, основанную на нечеткой мере и нечетком интеграле

Применим рассмотренную методику для определения оптимального подхода к обучению из множества X = {х1(х2}> состоящего из двух вариантов: классический подход к обучению (хг) и адаптивная стратегия обучения (х2), по трем показателям эффективности 1 = {ZuZz,Z3): уровень адаптивности (Z1), финансовые затраты на обучение (Z2), временные затраты на обучение (Z3). Исходные данные указаны экспертами и приведены в табл. 5.

Таблица 5

z Показатель важности Классический подход к обучению, Xi Адаптивная стратегия обучения, х2

Уровень адаптивности 0,8 0,1 0,9

Финансовые затраты 0,2 0,6 0,4

Временные затраты 0,9 0,7 0,3

2 SCORM 2004 4th Edition Content Aggregation Model (CAM) Version 1.1, Advanced Distributed Learning, 2009.

Значение обобщенного показателя для варианта хг равно 0,7, а для адаптивной стратегии обучения х2 - 0,8. Таким образом, из предложенных вариантов оптималь-ным является подход с применением адаптивных индивидуальных стратегий обуче-ния. Из полученных значений обобщенного показателя эффективности можно сделать вывод, что предложенный подход эффективнее на 10%.

Четвертая глава включает разработку программного обеспечения для автоматизации процессов обучения и адаптации систем открытого образования «CoRuS».

Адаптивная автоматизированная система ДО «CoRuS» (ААСДО «CoRuS») представляет собой комплекс программных средств, предназначенных для организации и автоматизации адаптивных процессов обучения с применением дистанционных образовательных технологий. В состав ААСДО «CoRuS» входят следующие модули:

- база данных «БД «CoRuS»;

- система управления «СУ «CoRuS»;

- система тестирования «CT «CoRuS»;

- подсистема анализа и статистики;

- web-интерфейс пользователя;

- образовательный портал;

- инструменты для разработки контента;

- хранилище учебных материалов;

- модуль выбора контента

Взаимодействие составных частей системы «CoRuS» основано на работе в локальных и глобальных сетях передачи данных, в том числе и Internet. Работа системы в целом заключается в следующем. Основой системы является база данных, с которой работают все остальные части. Информация в базу данных заносится при помощи системы управления, web-интерфейса пользователя и инструментов разработки контента. С системой управления работают: администрация учебного заведения, технические специалисты по поддержке системы, методический персонал, тьюторы, преподаватели и тренеры. Учебные материалы, хранящиеся на удаленном сервере, предоставляется пользователю через модуль выбора контента посредством образовательного портала в объеме необходимом конкретному пользователю системы.

Система тестирования для проведения контрольных испытаний использует тестовые задания, которые хранятся в базе данных. Результаты также записываются в базу данных и используются модулем аналитики и статистики для составления отчетов, контролем над работой пользователей и системы в целом, выявления закономерностей и проведения анализа данных, составления прогнозов, предназначенных для корректировки стратегий обучения.

Структура базы данных разработана в СУБД Microsoft SQL Server 2008 R2 и содержит 74 таблицы с данными. Кроме этого база данных содержит набор хранимых процедур и функций для автоматизации ресурсоемких задач, вынесенных для обработки на стороне сервера. Разработанная база данных, состоит из следующих отдельных фрагментов - модулей:

- индивидуальная стратегия обучения;

- управления ЭОР и ЭУМК;

- организации хранения ТЗ;

- результатов и протоколов тестирований.

Рис. 6. Структура ААСДО «CoRuS»

Система управления представляет собой многооконное приложение с ленточным интерфейсом, разработанное на языке Delphi 2010 с использованием дополнительных визуальных компонентов с открытым кодом Alpha Skins. Назначением данной разработки является автоматизация основных задач управления процессами обучения, мониторинг работоспособности всех подсистем и их настройка, автоматизация сбора статистики и аналитическая обработка полученных данных, в том числе, при помощи алгоритмов интеллектуального анализа данных. Основными пользователями системы управления являются сотрудники образовательного учреждения, занимающиеся методической и технической поддержкой, разработкой образовательного контента и банков тестовых заданий.

Система тестирования разработана на языке программирования С# с использованием технологий ASP.NET 4 и AJAX в среде разработки Microsoft Visual Studio 2010. Особенностью разработанной системы тестирования является повышенный уровень безопасности передаваемых данных. Это достигается исключением из программы запросов на добавление, изменение и удаление данных. Указанные операции выполняются на серверной части системы «CoRuS» и оформлены в виде хранимых процедур в базе данных. Таким образом, пользователю пересылаются только

формулировки и варианты ответов на ТЗ, а обработка полученных от пользователя данных осуществляется на удаленном от него сервере.

В заключении формулируются основные выводы, полученные в работе.

Основные выводы к результаты работы.

В процессе выполнения диссертационной работы была решена научная задача по разработке методов и алгоритмов оценки результатов обучения специалистов для полиграфических предприятий в системах обучения с применением дистанционных образовательных технологий.

Общие результаты диссертационной работы:

1. Решены практические задачи по проектированию и разработке адаптивной автоматизированной системы дистанционного обучения «CoRuS».

2. Результаты внедрены в МГУ Печати им. Ивана Федорова и издательско-полиграфическом комплексе «Н.Т.ГРАФ».

Общие выводы по диссертационной работе:

1. Проведенный анализ использования различных форм обучения и переподготовки персонала предприятий позволяет сделать вывод о том, что дистанционная форма обучения и использование систем открытого обучения являются востребованными.

2. Анализ существующих методов оценки успеваемости и полученных знаний, позволил сделать выводы об ограниченности их применения для систем открытого образования.

3. Разработан метод адаптивной комплексной оценки знаний в системах образования с применением дистанционных образовательных технологий, отличительной чертой которого является анализ всех результатов тестирований слушателей по каждой из изучаемых дисциплин.

4. Разработан подход к построению адаптивных индивидуальных стратегий обучения для каждого слушателя, применение которого эффективнее классического подхода к образованию на 10%.

5. Предложено дополнение к стандарту SCORM, позволяющее использовать учебные материалы в системах открытого обучения с применением разработанного подхода к построению адаптивных индивидуальных стратегий обучения.

Публикации по теме диссертационной работы.

Публикации в ведущих рецензируемых научных изданиях, рекомендуемых ВАК:

1. Демидов Д.Г. Адаптивный метод комплексной оценки знаний при аттестации персонала предприятий / Д.Г. Демидов // Известия высших учебных заведений. Проблемы полиграфии и издательского дела №3. Москва. 2010. С. 68 - 77.

Другие публикации:

2. Демидов Д.Г. Подход к автоматизации процессов обучения и тестирования / Д.Г. Демидов, Д.И. Попов // Материалы 5-ой научно-методической конференции «Инновационные методы и средства оценки качества образования». Москва. 2007. С. 178 -180.

3. Демидов Д.Г. Автоматизация процессов создания отчетной документации по контролю успеваемости в открытом образовании / Д.Г. Демидов // Материалы 6-ой научно-методической конференции «Инновационные методы и средства оценки качества образования». Москва. 2008. С. 45 -47.

4. Демидов Д.Г. Адаптивные модели, как средство повышения качества обучения / Д.Г. Демидов, Д.И. Попов, К.С. Певцов // Материалы 6-ой научно-методической конференции «Инновационные методы и средства оценки качества образования». Москва. 2008. С. 136-138.

5. Демидов Д.Г. Разработка модулей автоматизации процессов обучения с использованием интернет/ Д.Г. Демидов //Вестник МГУП №6. Москва. 2008. С. 50- 51.

6. Демидов Д.Г. Подход к автоматизации процессов разработки тестовых материалов / Д.Г. Демидов, К.С. Певцов, A.B. Остроух // Вестник МГУП №6. Москва. 2008. С. 47 -49.

7. Демидов Д.Г. Подход к автоматизации процессов разработки электронных изданий / Д.Г. Демидов // Вестник МГУП №6. Москва 2008. С. 44 - 46.

8. Демидов Д.Г. Подход к оценке знаний в системах открытого обучения / Д.Г. Демидов // Сборник тезисов международного студенческого фестиваля информационных технологий «МедиаФест 2009». Москва. 2009. С. 61 - 66 с.

9. Демидов Д.Г. Тьюторство в открытом образовании / Д.Г. Демидов, Д.А. Арсентьев И Вестник МГУП №12. Москва. 2009. С. 104 - 107.

Свидетельства о государственной регистрации программ для ЭВМ:

Ю.Демидов Д. Г. Свидетельство о государственной регистрации программы для ЭВМ № 2010616743. Адаптивная автоматизированная система дистанционного обучения «CoRuS»/заявитель и правообладатель Демидов Д.Г. — заявл. 27.09.2010 ; заявка № 2010615921 ; зарегистр. 08.10.2010,— 1 с : ил.

Подписано в печать 14.02.2011. Формат 60x84/16. Бумага офсетная. Печать на ризографе. Усл. печ. л. 1.22. Тираж 100 экз. Заказ № 13/10. Отпечатано в РИЦ Московского государственного университета печати 127550, Москва, ул. Прянишникова, 2а

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМАТИКИ, СУЩЕСТВУЮЩИХ ПОДХОДОВ, НАУЧНЫХ ШКОЛ И НАПРАВЛЕНИЙ.

1.1. Обзор научных школ и направлений.

1.2. Дистанционное обучение.

1.3. Адаптация в сложных системах и системах образования.

1.4. Автоматизация систем аттестации персонала.

1.5. Нечеткая логика. Теории нечетких множеств, мер и возможностей.

1.6. Выводы по главе.

ГЛАВА 2. ЗАДАЧИ И АЛГОРИТМЫ ПОСТРОЕНИЯ И АНАЛИЗА РАБОТЫ СИСТЕМ ОТКРЫТОГО ОБУЧЕНИЯ.

2.1. Задачи интеллектуального анализа данных.

2.2. Проектный цикл интеллектуального анализа данных.

2.3. Алгоритмы интеллектуального анализа данных.

2.4. Цепи Маркова.

2.5. Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ АВТОМАТИЗАЦИИ И АДАПТАЦИИ ПРОЦЕССОВ ОБУЧЕНИЯ.

3.1. Особенности обучения специалистов для полиграфических предприятий.

3.2. Разработка математической модели существующего подхода к образованию и определению успеваемости.

3.3. Расчет погрешности оценивания знаний при использовании классического подхода к образованию.

3.4. Разработка адаптивного метода комплексной оценки знаний.

3.5. Разработка адаптивной индивидуальной стратегии обучения специалистов для предприятий.

3.6. Выводы по главе.

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ОБУЧЕНИЯ И АДАПТАЦИИ СИСТЕМ ОТКРЫТОГО ОБРАЗОВАНИЯ.

4.1. Разработка адаптивной автоматизированной системы дистанционного обучения "СоКиЗ".

4.2. Разработка базы данных "Со11и8".

4.3. Разработка системы управления "СоКиБ".

4.4. Разработка системы тестирования «СоКиБ».

4.5. Выводы по главе.

ОБЩИЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

Актуальность работы. В условиях увеличения скорости устаревания профессиональных знаний, повышается актуальность непрерывного образования, которое включает в себя аттестацию персонала. Одним из важнейших условий развития полиграфической отрасли и перехода на новый этап информационного развития является информатизация процессов и применение адаптивных подходов к обучению. Этим объясняется внимание правительства и профильных организаций к разработке и применению информационных и коммуникационных технологий в полиграфической промышленности, классическом и открытом образовании. Автоматизация процессов обучения, аттестации персонала, а также использование адаптивных подходов и алгоритмов позволяют сократить временные затраты на подготовку и аттестацию специалистов для предприятий. Именно этому посвящена диссертационная работа, и актуальность ее обусловлена вышеперечисленными факторами.

Целью данной диссертационной работы является разработка методов и алгоритмов оценки результатов обучения специалистов для предприятий в адаптивных автоматизированных системах открытого обучения на основе методов математической статистики, нечеткой логики с применением алгоритмов интеллектуального анализа данных.

Задачи исследования. В соответствии с поставленной целью в работе решены следующие задачи:

- Провести анализ существующих методов и алгоритмов автоматизации систем дистанционного обучения, использующихся на предприятиях полиграфического профиля;

- разработать адаптивную модель комплексной оценки знаний при аттестации персонала предприятий полиграфического профиля;

- создать методику разработки индивидуальных стратегий обучения специалистов; решить практические задачи по разработке базы данных, проектированию алгоритмов и программного обеспечения автоматизации процессов адаптивного обучения.

Областью исследования является управление технологическими процессами и производствами, включающее в себя методы эффективной организации контроля успеваемости полученных знаний при аттестации персонала полиграфических предприятий, методологию разработки индивидуальных стратегий обучения персонала, разработку специализированного информационного и программного обеспечения для систем открытого образования и дистанционного обучения, включая базы и банки данных, а также методы их оптимизации.

Методы исследования. Для достижения поставленных целей и решения задач использованы методы математической статистики и нечеткой логики, алгоритмы data mining. Разработка программ для реализации алгоритмов проведена на языках программирования Delphi, С#, Transact-SQL.

Методологической основой исследования являются работы в области нечеткой логики, адаптации сложных систем, решения задач обучения «без учителя» и с учителем, методы обобщения и индукции, автоматизации управления аттестацией персонала (работы JI.A. Растригина [71;72], В.Н. Вагина [15], Л.А. Заде [35;36], В.И. Васильева [16; 19], Д.И. Попова [62;64;65;66]).

Достоверность полученных результатов подтверждается использованием методов математической статистики, нечеткой логики, а также практической реализацией и внедрением разработанных моделей и алгоритмов.

Научная новизна полученных в данной работе результатов состоит в следующем:

1. Разработан адаптивный метод комплексной оценки знаний в системах образования с применением дистанционных образовательных технологий.

2. Разработан подход к построению адаптивных индивидуальных стратегий обучения специалистов для предприятий.

Оценка теоретической значимости результатов работы. Полученные математические модели и алгоритмы являются теоретической основой для создания адаптивной автоматизированной системы дистанционного обучения «СоЯиЗ». Рейтинг слушателя и подход к построению индивидуальных стратегий обучения применяется при обучении сотрудников предприятий полиграфической отрасли.

Практическая ценность работы. На основании предложенных теоретических разработок была создана адаптивная автоматизированная система дистанционного обучения «СоКиБ» (свидетельство об официальной регистрации программ для ЭВМ № 2010616743 от 08 октября 2010 г. М.: Федеральная служба по интеллектуальной собственности, патентам и товарным знакам);

Применение данного программного обеспечения позволило автоматизировать работу Института открытого образования. Внедрить инновационные технологии в систему дистанционного обучения, повысить качество оценки знаний слушателей и рассчитывать динамику изменения оценки в будущем.

На защиту выносятся следующие положения:

- методика комплексной оценки знаний на основе рейтинга;

- методы и алгоритмы построения адаптивных индивидуальных стратегий обучения;

- методика организации хранения тестовых заданий.

Внедрение результатов. Метод оценки знаний, подход к построению адаптивных индивидуальных стратегий обучения применяются в издательско-полиграфическом комплексе «Н.Т.ГРАФ» (акт от 27 сентября 2010 г.) и в учебном процессе Московского государственного университета печати им. Ивана Федорова (акт от 21 октября 2010 г.).

Апробация результатов работы. Основные результаты диссертационной работы обсуждены на: 3-ей отраслевой научно-технической конференции МТУ СИ, Москва, 2009; Международном фестивале информационных технологий «МедиаФест-2009», Москва, 2009; международном учебно-научном семинаре «Корпоративные информационные системы», Москва, 2010. Модели и алгоритмы, полученные автором данной работы, использовались в процессе обучения студентов в Институте открытого образования МГУ Печати.

Публикации. Основные работы изложены в 9 научных публикациях, в том числе 1 статья в ведущих рецензируемых научных изданиях, рекомендуемых ВАК. Программное обеспечение официально зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам.

Структура и объем диссертации. Диссертационная работа состоит из введения, 4-ч глав, заключений по каждой главе, основных результатов, библиографического списка и приложений.

Общие выводы по диссертационной работе:

1. Проведенный анализ использования различных форм обучения и переподготовки персонала предприятий позволяет сделать вывод о том, что дистанционная форма обучения и использование систем открытого обучения являются востребованными.

2. Анализ существующих методов оценки успеваемости и полученных знаний, позволил сделать выводы об ограниченности их применения для систем открытого образования.

3. Разработан метод адаптивной комплексной оценки знаний в системах образования с применением дистанционных образовательных технологий, отличительной чертой которого является анализ всех результатов тестирований слушателей по каждой из изучаемых дисциплин.

4. Разработан подход к построению адаптивных индивидуальных стратегий обучения для каждого слушателя, применение которого эффективнее классического подхода к образованию на 10%.

5. Предложено дополнение к стандарту 8СО!1М, позволяющее использовать учебные материалы в системах открытого обучения с применением разработанного подхода к построению адаптивных индивидуальных стратегий обучения.

1. Аверкин А.Н. Нечеткие множества в моделях управления искусственного интеллекта / А.Н. Аверкин. М.: Наука, 1986.

2. Адаптация в вычислительных системах. Под общ. ред. JI. А. Растр и-гина. Рига, Зинатне, 1978. 174 с.

3. Адаптация в системах обработки информации. Рига, Зинатне, 1977. 94 с.

4. Адаптивные системы. Под общ. ред. JI. А. Растригина. Рига, Зинатне. Вып. 1. 1972. 154 е.; вып. 2, 1972. 92 е.; вып. 3. 1973. 116 е.; вып. 4. 1974. 136 е.; вып. 5. 1974. 79 с.

5. Адаптивные автоматические системы. М., Сов. радио, 1972. 184 с.

6. Андреев A.A. Дидактическая система дистанционного обучения / A.A. Андреев, В.И. Солдаткин // Дистанционное образование в России: постановка проблемы и опыт организации. Сб. М.:МГОПУ, 2001.

7. Андреев A.A. Дистанционное обучение: сущность, технология, организация / A.A. Андреев, В.И. Солдаткин. М.:МЭСИ, 1999.

8. Андреев A.A. Дидактические основы дистанционного обучения / A.A. Андреев. М.:РАО, 1999.

9. Базарова Г. Особенности обучения взрослых Электронный ресурс. / Г. Базарова // HR-менеджмент. — 2009. Режим доступа : http://www.hrm.ru/osobennosti-obuchenija-vzroslykh, свободный. - Загл. с экрана.

10. Баргесян A.A. Методы и модели анализа данных: OLAP и Data Mining / A.A. Баргесян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. СПб.: БХВ-Петербург, 2004. - 336 е.: ил.

11. Бергер А.Б. Microsoft SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных / Бергер А.Б., Горбач И.В., Меломед Э.Л., Щербинин В.А., Степаненко В.П. / Под общ. Ред. А.Б. Бергера, И.В. Горбач. -СПб.: БХВ-Петербург, 2007. 928 е.: ил.

12. Берштейн J1.C. и др. Модели и методы принятия решений в интегрированных интеллектуальных системах / JI.C. Берштейн. Ростов на Дону: Изд-во Ростовского ун- та, 1999.

13. Бочарников В.П. Fuzzy-технология: Математические основы. Практика моделирования в экономике / В.П. Бочарников. Санкт-Петербург: «Наука» РАН, 2001. - 328 с.

14. Браст Эндрю Дж. Разработка приложений на основе Microsoft SQL Server 2005. Мастер-класс / Эндрю Дж. Браст, С. Форте / Пер. с англ. М.: Издательство «Русская редакция», 2007. - 880 е.: ил.

15. Вагин В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В.Н. Вагин, Е.Ю. Головина, А.А. Загорянская, И.И. Фомина / Под ред. В.Н. Вагина, Д.А. Поспелова. М.: ФИЗМАТЛИТ, 2004. - 704 с.

16. Васильев В.И. Оценка качества деятельности образовательного учреждения / В,И. Васильев, В.В. Красильников и др. М.: Издательство ИКАР, 2005. 320с.

17. Васильев В.И. Оценка качества деятельности образовательного учреждения / В.И. Васильев, В.В. Красильников, С.И. Плаксий, Т.Н. Тягунова. Моск. гос. ун-т экономики, статистики и информатики. М.: Изд. центр ЕАОИ, 2007. - 280 с.

18. Васильев В.И. Культура компьютерного тестирования / Т.Н. Тягунова / В 5-ти частях. М.: МГУП, 2002.

19. Васильев В.И. Основы культуры адаптивного тестирования / Т.Н. Тягунова. М.: Издательство ИКАР, 2003. - 584 с.

20. Васильев В.И. Теория и практика формирования программно-дидактических тестов / Т.Н. Тягунова. М.: Изд-во МЭСИ, 2001.

21. Венц Кристиан. Программирование в ASP.NET AJAX. Пер. с англ. -СПб: Символ-Плюс, 2008. - 512 с.

22. Демидов Д.Г. Автоматизация процессов создания отчетной документации по контролю успеваемости в открытом образовании // Материалы 6-ой научно-методической конференции «Инновационные методы и средства оценки качества образования». Москва. 2008. С. 45 47.

23. Демидов Д.Г. Адаптивный метод комплексной оценки знаний при аттестации персонала предприятий // Известия высших учебных заведений. Проблемы полиграфии и издательского дела 3'2010, М.: 2010. С. 68 77.

24. Демидов Д.Г. Певцов К.С., Остроух A.B. Подход к автоматизации процессов разработки тестовых материалов // Вестник МГУП №6. Москва. 2008. С. 47 49.

25. Демидов Д.Г. Подход к автоматизации процессов разработки электронных изданий // Вестник МГУП №6. Москва. 2008. С. 44 46.

26. Демидов Д.Г. Подход к оценке знаний в системах открытого обучения // Сборник тезисов международного студенческого фестиваля информационных технологий «МедиаФест 2009». Москва. 2009. С. 61 66 с.

27. Демидов Д.Г. Разработка модулей автоматизации процессов обучения с использованием интернет // Вестник МГУП №6. Москва. 2008. С. 50-51.

28. Демидов Д.Г. Разработка образовательной адаптивной системы дистанционного обучения: дипломный проект / Дмитрий Григорьевич Демидов: МГУП. -М., 2007.- 139 л.

29. Демидов Д.Г., Арсентьев Д.А. Тьюторство в открытом образовании // Вестник МГУП №12. Москва. 2009. С. 104 107.

30. Джонсон Н., Лион Ф. Статистика и планирование эксперимента в технике и науке: Методы обработки данных. Пер. с англ., М.: Мир, 1980. - 610 с.

31. Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология: Монография. -М.: «Издательство Машиностроение 1», 2004.

32. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: пер. с фр. М.: Радио и связь, 1990. - 288 с.

33. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня (Сборник статей. Перевод с англ.). М., «Знание», 1974. С. 3 - 49.

34. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ./Под ред. H.H. Моисеева, С.А. Орловского. М.: Мир, 1976. 165 с.

35. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе. Классификация и кластер / Под ред. Дж.Вэн Райзина. М.: Мир, 1980. С.208 247.

36. Коршунов C.B., Норенков И.П., Плосковитов А.Б. Структура информационно-образовательной среды дистанционного обучения в МГТУ им. Н.Э.Баумана// Труды VIII Всероссийской научно-методической конференции "Телематика'200Г\

37. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. М.: Радио и связь, 1982. - 432 с.

38. Кругов C.B. Производство + Психология Электронный ресурс. / Крутов C.B. // Информационный ресурсный центр по практической психологии «Пси-Фактор». 2008. - Режим доступа : http://psyfactor.org/lib/krutovO.htm, свободный. - Загл. с экрана.

39. Крянев А.В, Лукин Г.В. Математические методы обработки неопределенных данных. М. : ФИЗМАТЛИТ, 2003 .-216с.

40. Курейчик В.М. Генетические алгоритмы. Таганрог: изд-во ТРТУ, 1998. -242 с.

41. Курейчик В.М., Зинченко JI.A. Проблемы эволюции интерактивных средств открытого образования // Перспективные информационные технологии и интеллектуальные системы, №4/2000. Таганрог., 2000. С. 135 142.

42. Курейчик В.М., Неупокоева Н.В. Перспективные технологии решения оптимизационных задач // Перспективные информационные технологии и интеллектуальные системы, №2(14)/2003. Таганрог., 2003. С.80 84.

43. Лобачев С.Л. Региональная информационно-образовательная среда основа федеральной среды системы открытого образования //Телематика -2001. Тр.Междунар.научн.-методич.конф. - Спб., 2001.

44. Лобачев С.Л. Ход создания системы открытого образования РФ в 2001 году // Телекоммуникации и новые информационные технологии в образовании. Т. Ю.Сб.нвучн.тр. М.:МИФИ, 2002.

45. Лобачев С.Л., Поляков A.A. Универсальная инструментальная информационно-образовательная среда системы открытого образования Российской Федерации. М.:ИЦПКПС, 2001.

46. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // В сб.: «Автоматы» под ред. К. Э. Шеннона и Дж. Маккарти. -М.: Изд-во иностр. лит., 1956. с.363-384.

47. Макки Алекс. Введение в .NET 4.0 и Visual Studio 2010 для профессионалов. : Пер. с англ. М.: ООО «И.Д. Вильяме», 2010. - 416 с.

48. Мартин Грабер. SQL. М.: Лори, 2009. - 672 с.

49. Мелихов А.Н., Бернштейн Л.С. Конечные четкие и расплывчатые множества. 4.2. Таганрог: ТРТИ, 1981. 90с.

50. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./Под ред. P.P. Ягера. М.: Радио и связь, 1986. - 408 с.

51. О персональных данных: федеральный закон Российской Федерации // Российская газета. Федеральный выпуск. М., 2006. - № 4131. - С. 7.

52. Основы андрагогики / под ред. И. А. Колесниковой. М.: «Академия», 2003. 240 с.

53. Основы открытого образования / A.A. Андреев, С.Л. Каплан и др.; Отв. Ред. В.И. Солдаткин. Т. 1. Российский государственный институт открытого образования. М.: НИИЦ РАО, 2002. 676 с.

54. Павлов А.Н., Соколов Б.В. Принятие решений в условиях нечеткой информации: Учеб. пособие / ГУАП СПб., 2006. - 72 с.

55. Парс Р., Морони Д., Гриб Д. Основы ASP.NET AJAX. : Пер. с англ. М.: ООО «И.Д. Вильяме», 2008. - 288 с.

56. Пауэлл Томас. Ajax: настольная книга программиста / Томас Пауэлл ; пер. с англ. и ред. Ф.М. Елистратова. М.: Эксмо, 2009. - 720 с.

57. Пауэре Ш. Добавляем AJAX. Спб.: БХВ-Петербург, Русская Редакция, 2008.-448 с.

58. Погодаев А.К., Блюмин C.JI. Адаптация и оптимизация в системах автоматизации и управления: Монография. Липецк: ЛЭГИ, 2003. - 128 с.

59. Поляков A.A., Вержбицкий В.В. Анализ потребности населения России в новых образовательных и информационных услугах // Материалы круглого стола «Развитие телеобучения в России», М.:2001.

60. Поляков A.A., Лобачев С.Л., Солдаткин В.И. Информационно образовательная среда открытого образования и организация подготовки кадров для работы в ней//Открытое и дистанционное образование. 2001. №2(4).

61. Попов Д.И. Автоматизация управления процессами аттестации персонала предприятий промышленности: Монография. -М.: МГУП, 2007. 178 с.

62. Попов Д.И. Комплексная автоматизация и управление процессами аттестации персонала промышленных предприятий: диссертация на соискание ученой степени доктора технических наук. Москва, 2007. - 290 с.

63. Попов Д.И. Модель адаптивного тестирования для автоматизированной системы аттестации персонала // Известия высших учебных заведений. Проблемы полиграфии и издательского дела №4'2006. М., 2006. С. 104 -109.

64. Попов Д.И. Способ оценки знаний в дистанционном образовании на основе нечетких отношений // Дистанционное образование. М. 2000. № 6. С.26 -29.

65. Попов Д.И. Способы повышения точности оценки знаний при аттестации персонала в автоматизированных системах // Известия высших учебных заведений. Проблемы полиграфии и издательского дела №4'2006. М., 2006. С.110- 117.

66. Попов Д.И. Экспериментальный анализ алгоритмов построения пространств знаний // Вестник МГУП №6. Москва. 2008. С. 18 25.

67. Попов Д.И., Демидов Д.Г, Певцов К.С. Адаптивные модели, как средство повышения качества обучения // Материалы 6-ой научно-методической конференции «Инновационные методы и средства оценки качества образования». Москва. 2008. С. 136 138.

68. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др.; Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. - 368 с.

69. Принятие решений в условиях нечеткой информации: учеб. пособие / А. Н. Павлов, Б. В. Соколов; ГУАП СПб., 2006 - 72 с.

70. Растригин JI.A. Адаптация сложных систем. Рига: Зинатне, 1981. - 375 с.

71. Растригин JI.A. Современные принципы управления сложными объектами. М: Сов. радио, 1980. - 232 с.

72. Российский портал открытого образования: обучение, опыт, организация / Отв.ред.В.И.Солдаткин. М.:МГИУ, 2003. 508 с.

73. Смирнова Г.К. Сравнительный анализ системы непрерывной подготовки студентов и модульной системы по Болонскому сценарию // Вестник МГУП №6. Москва. 2008. С. 95 102.

74. Солдаткин В.И. НТП Минобразования России «Создание системы открытого образования»: задачи и некоторые итоги //Информационные технологии в открытом образовании. Матер.междунар.конф. -М.:МЭСИ, 2001.

75. Солдаткин В.И. Открытое образование: проблемы формирования единой информационной среды //Телекоммуникации и информатизация образования. 2001. - №6(7).

76. Теория вероятностей и математическая статистика: Учеб. пособие для вузов/В. Е. Гмурман. 9-е изд., стер. - М.: Высш. шк., 2003. - 479 с: ил.

77. Трухаев Р. И. Модели принятия решений в условиях неопределенности. -М.: Наука, 1981.-258 с.

78. Тягунова Т.Н. Образовательная диагностика. Шкалирование и многомерный анализ. Моск. гос. ун-т печати. М.:МГУП, 2007. - 206 с.

79. Уильям Р. Станек. Microsoft SQL Server 2008. Справочник администратора.- Спб.: БХВ-Петербург, Русская Редакция, 2009. 720 с.

80. Федеральный закон № 3266-1 «Об образовании». Статья 32.

81. Федоров И.Б., Еркович С.П., Коршунов С.В. Высшее профессиональное образование: Мировые тенденции (социальный и философские аспекты).1. М., 1998.

82. Федоров И.Б., Коршунов С.В. Итоги эксперимента в области дистанционного образования // Информационные технологии. 2003. - №1. - С. 41 -47.

83. Фленов М.Е. Transact-SQL. Спб.: БХВ-Петербург, 2006. - 576 е.: ил.

84. Фленов М.Е. Библия С# СПб.: БХВ-Петербург, 2009. - 560 с.

85. Фопель К. Психологические принципы обучения взрослых. М.: Генезис, 2010.-342 с.

86. Хендерсон К. «Профессиональное руководство по Transact-SQL» Спб.: Питер, 2005. - 558 е.: ил.

87. Хендерсон К. «Профессиональное руководство по SQL Server. Хранимые процедуры, XML, HTML» Спб.: Питер, 2004. - 624 е.: ил.

88. Ципкин ЯЗ. Адаптация и обучение в автоматических системах. М.: Главная редакция физико-математической литературы изд-ва «Наука», 1968.-400 стр.

89. Чубукова И.А. Data Mining. Интернет-университет информационных технологий - ИНТУИТ.ру, БИНОМ. Лаборатория знаний, 2008. - 384 с.

90. Юдин Д. Б. Математические методы управления в условиях неполной информации. М., Сов. радио, 1974. 400 с.

91. Adam Machanic. Expert SQL Server 2008 Development. Apress. 2010. 430 pp.

92. Brusilovsky, P., Adaptive and Intelligent Technologies for Web-based Education. In C. Rollinger and C. Peylo (eds.), Special Issue on Intelligent Systems and Teleteaching, Konstliche Intelligenz, 4, 19-25.

93. Dubois D., Prade H. Fuzzy Real Algebra: Some Results// Fuzzy Sets a. Systems. 1979/ - Vol. 2, N 4. - P.327-348.

94. Marco Cantu. Delphi 2010 Handbook, First Edition, Revision 01., Wintech Italia Sri, Italy, 2010.

95. Microsoft SQL Server 2008: Data Mining интеллектуальный анализ данных: Пер. с англ. / Дж. Макленнен, Чж. Танг, Б. Криват. - СПб.: БХВ-Петербург, 2009. - 720 е.: ил. - (В подлиннике).

96. Michael Coles. T-SQL Programmer's Guide. Apress. 2008. 688 pp.

97. Prade H. A fuzzy set-based approach to analogical, default and other kind of plausible reasoning//6-eme Congress International de Cybernetique et Sys-tems.Paris. 1984.-pp. 187-192.

98. SCORM 2004 4th Edition Content Aggregation Model (CAM) Version 1.1. Advanced Distributed Learning, 2009.

99. SCORM 2004 4th Edition Run-Time Environment (RTE) Version 1.1. Advanced Distributed Learning, 2009.

100. SCORM 2004 4th Edition Sequencing and Navigation (SN) Version 1.1. Advanced Distributed Learning, 2009.

101. Wang, Zhenyuan, and Klir, George J., Fuzzy Measure Theory, Plenum Press, New York, 1991.