автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Управление обучением операторов социально-экономических систем с учетом психофизиологических характеристик

□□3475246

На правах рукописи

2 О А6Г 2оод

ШАТОХИН Василий Викторович

УПРАВЛЕНИЕ ОБУЧЕНИЕМ ОПЕРАТОРОВ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ С УЧЕТОМ ПСИХОФИЗИОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК

Специальность 05.13.10 — Управление в социальных и экономических

системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Астрахань, 2009

003475246

Работа выполнена в ГОУ ВПО «Саратовский государственный технический университет».

Научный руководитель:

доктор технических наук, профессор Большаков Александр Афанасьевич

Официальные оппоненты:

доктор педагогических наук, профессор Зайнутдинова Лариса Хасановна

кандидат технических наук, доцент Ануфриев Дмитрий Петрович

Ведущая организация:

ГОУ ВПО «Санкт-Петербургский государ-стенный технологический институт (технический университет)

Защита состоится «11» сентября 2009 года в 12 часов 00 минут на заседании диссертационного совета Д 307.001.06 при Астраханском государственном техническом университете по адресу: 414025, г. Астрахань, ул.Татищева, 16, гл. корп., ауд. 305.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью организации, просим направлять по адресу: 414025, г. Астрахань, ул. Татищева, 16, ученому секретарю диссертационного совета Д.307.001.06

С диссертацией можно ознакомиться в научно-технической библиотеке Астраханского государственного технического университета.

Автореферат разослан « ? ^ » июля 2009 г.

Ученый секретарь

диссертационного совета

И.Ю. Квятковская

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Важными требованием к формированию специалистов высокой квалификации являются повышение качества их подготовки, твердые практические навыки и быстрая адаптация в реальных условиях, что является важнейшим условием создания конкурентных преимуществ современных социально-экономических систем. Это требует внедрения новых подходов к обучению, обеспечивающих наряду с его фундаментальностью развитие творческих и профессиональных компетенций, потребностей и заинтересованности в самообразовании. Наиболее продуктивным способом обучения является диалог обучаемого с высококвалифицированным преподавателем (специалистом). Однако нередко это невыполнимо, т.к. требует большого числа дорогостоящих специалистов.

Одним из перспективных способов решения этой проблемы, а также повышения качества обучения является использование в учебном процессе автоматизированных обучающих систем. Исследования показывают, что знакомство и усвоение нового учебного материала обычно гораздо эффективнее, когда в учебной работе применяются программные обучающие средства. Преимущество такого обучения обусловливается комплексностью реализации таких принципов, как индивидуальный подход к обучаемому, возможность варьирования сложностью учебного материала и его систематичностью, широкие возможности вывода информации на различные периферийные устройства.

Современные обучающие системы не лишены существенных недостатков. К ним относятся жесткая привязка систем к конкретной предметной области и отсутствие возможности объяснения действий (справочные системы «Windows Vista», «SQL Server Books online» компании Microsoft), упрощенная методика оценки знаний обучаемых («SAP Tutor» компании SAP AG), минимальные возможности адаптации учебного материала, которые учитывают только текущий уровень знаний обучаемого («ELM-ART» (Weber & Brusilovsky), «InterBook», (Brusilovsky, Eklund & Schwarz), «Metalinks» (Weber)).

Дальнейшее повышение качества обучения связано с использованием методов искусственного интеллекта, в т.ч. с созданием обучающих экспертных систем (Э.В. Попов, Г.С. Поспелов, A.A. Большаков, Ф. Хейес Рот, Д. Уотермен, Д. Лената, И. Братко и др).

Значительный вклад в развитие автоматизированного обучения внесли такие ученые, как Б.Ф. Скиннер, H.A. Кроудер, Г Паск., В.П. Беспалько, П.Я. Гальперин и др. Описанная в их работах теория программированного обучения направлена на повышение эффективности управления процессом обучения на базе кибернетического подхода. Так, В.П. Беспалько выделяет 4 уровня обучения: первый — знания-знакомства с его признаками в виде умения обучаемого опознать, различить знакомый ему ранее предмет, явление, определенную информацию. Второй уровень — знания-копии, для которого признаками является умение пересказать, репродуцировать ранее усвоенную учебную информацию. Третий уровень — знания-умения, для которого важнейшие признаки — умение применить полученные знания в практической деятельности. Наконец, четвертый, творческий уровень — знания-трансформации, умение перенести полученные ранее знания на решение новых задач и проблем. Предполагается, что разным уровням необходимо обучать по-разному.

В качестве объекта исследования автором рассматривается оператор социально-экономических систем, под которым понимается человек, решающий задач первого и второго уровней из узкой области компетенции, например, студенты учебных заведений, бухгалтеры, операторы складских комплексов и др. При этом под обучением понимается процесс приобретения или восстановления определенных знаний.

Проведенное исследование позволяет сделать вывод, что не решенной является задача построения обучающей экспертной системы, инвариантной к предметной области, объединяющей знания специалистов по педагогике, психологии и предметной области (Н.Р. Немов, Р. Эденборо, А. Грассер, Н. Персон), а также имеющей гибкую систему формирования учебного материала с учетом индивидуальных психологических особенностей восприятия информации обучаемым (Дж. Гриндер, Р. Бэндлер, Ливер Бетти Лу) и оценки знаний на основе аппарата нечетких множеств (Л. Заде, К. Асаи, Д. Ватада, Р. Ягера).

Таким образом, построение системы управления обучением операторов социально-экономических систем на основе создания и использования обучающей экспертной системы, инвариантной к предметной области, объединяющей знания специалистов по педагогике, психологии и предметной области и имеющей гибкую систему формирования учебного материала и оценки знаний, является весьма актуальной научно-технической задачей.

Целью диссертационной работы является повышение эффективности процесса обучения операторов социально-экономических систем на основе автоматизированных обучающих экспертных систем с учетом индивидуальных психологических особенностей и применения аппарата нечеткой логики для оценки текущего уровня знаний.

Для достижения этой цели необходимо решить следующие задачи:

1. Выполнить анализ процесса обучения операторов социально-экономических систем как объекта управления.

2. Построить информационную модель хранения данных, требуемых для обучения, инвариантную к предметной области, и модель представления и оценивания знаний, учитывающей психологические особенности операторов.

3. Разработать метод управления обучением операторов с использованием двухканальной схемы управления по возмущению и отклонению.

4. Разработать методику оценки эффективности управления обучением с учетом однородности групп операторов.

5. Создать обучающую экспертную систему, функционирующую на основе диагностики текущего уровня знаний и с учетом индивидуальных психологических особенностей восприятия информации операторами.

6. Провести апробацию методов управления обучением операторов на основе применения обучающей экспертной системы.

Объектом исследования является процесс обучения операторов социально-экономических систем.

Предметом исследования являются методы управления процессом обучения операторов социально-экономических систем.

Методы исследований. Для решения поставленных задач использовались методы искусственного интеллекта, нечеткой логики, статистического анализа, объектно-ориентированного программирования.

Научная новизна:

- разработан метод управления обучением на основе двухканальной схемы, отличающийся использованием комбинированных управляющих воздействий на операторов с учетом их психологических особенностей, что позволяет создавать обучающие экспертные системы, ориентированные на индивидуальные особенности операторов социально-экономических систем;

- предложена методика сравнительной оценки эффективности управления обучением различными методами (способами) групп операторов, отличающаяся учетом однородности их состава по уровню знаний;

- разработана процедура формирования управляющих воздействий, учитывающая психологические особенности восприятия информации, что позволяет адаптировать учебный материал к персональным особенностям конкретного оператора;

- предложена методика определения психологических особенностей восприятия информации оператором и оценки уровня знаний, отличающаяся применением аппарата нечетких множеств, что позволяет более точно интерпретировать субъективные ответы тестируемых и автоматизировать эти процессы при создании экспертных обучающих систем.

Практическая ценность работы определяется тем, что содержащиеся в ней теоретические положения и выводы, результаты опытно-экспериментальной работы и практической реализации позволили создать научную базу и практические методики создания обучающих экспертных систем, на основе которых разработаны: инвариантная к предметной области программная оболочка, позволяющая организовывать учебные курсы по различным дисциплинам в высших учебных заведениях; структурированный и формализованный учебный материал для изучения языка программирования, использованный при внедрении проекта в вузах; модель и архитектура, позволяющие применять систему для обучения операторов различного уровня подготовки.

Результаты работы также используются в учебном процессе в Саратовском, Тамбовском государственных технических университетах, на Приволжской железной дороге.

Реализация и внедрение результатов работы. Результаты диссертационной работы использованы при создании обучающей экспертной системы с учетом психологических характеристик, методик управления обучения операторов, внедренных в ряде вузов, на железнодорожном транспорте.

Достоверность научных результатов и выводов определяется корректным применением методов исследований и подтверждается экспериментальными результатами от практического внедрения предложенных решений для управления процессом обучения операторов.

Апробация работы. Основные результаты диссертационной работы доложены на Всероссийских, Международных научно-технических конференциях: Математические методы в технике и технологиях (ММТТ): ММТТ-11 (Владимир, 1998), ММТТ-12 (Великий Новгород, 1999), ММТТ-13 (Санкт-Петербург, 2000), ММТТ-14 (Смоленск, 2001), ММТТ-15 (Тамбов, 2002), ММТТ-16 (Ростов, 2003), ММТТ-17 (Кострома, 2004), НМК «Проблемы научно-методического и организационного обеспечения учебного процесса по интегрированным образовательным программам в структуре учебно-научно-инновационного комплекса» (Саратов, 2002), 911' Шепа-

tional Conference on Engineering Education (San Juan, Puerto Rico, 2006), НПК «Интернет — на службу обществу» (Саратов, 2008).

Публикации. По теме диссертации опубликовано 15 печатных работ, в т.ч. 3 публикации в изданиях, рекомендованных ВАК РФ, а также 1 свидетельство Роспатента РФ;

Структура и объем работы. Диссертация состоит из введения, 3 разделов и заключения, изложенных на 133 страницах машинописного текста, содержит 50 рисунков, 6 таблиц, включает 118 наименований отечественной и зарубежной литературы, приложения.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении приведено обоснование актуальности исследуемой задачи, определены цели, направления и методы исследования, выделены этапы работы, представлены ее научная новизна, теоретическая и практическая значимость, описаны полученные автором результаты, представлены логика и структура диссертации.

В первой главе на основании литературных и электронных источников информации, а также практического опыта сделан аналитический обзор существующих подходов к обучению. Рассматриваются и анализируются методы автоматизации обучения с применением современных информационных технологий.

Обучение обычно рассматривают как процесс взаимодействия преподавателя и обучаемого, при котором между ними происходит обмен некоторой информацией. С позиции системного подхода структура автоматизированной обучающей системы (АОС) представляет собой организационно-тенический комплекс, в котором обучаемый исполняет роль оператора, и характеризуется способностью восприятия, усвоения и запоминания предоставляемой информации.

Одной из наиболее важных психолого-педагогических проблем является индивидуализация образования. Под ней понимается необходимость научно обоснованного выделения групп обучаемых на основе имеющихся ведущих репрезентативных систем и применения к каждому объекту обучения программ и методов, которые наиболее оптимально соответствуют его индивидуальным особенностям. Под ведущей репрезентативной системой (ВРС) понимается приоритетный канал восприятия информации человеком, определяющий основные характеристики его субъективной модели мира, которую в дальнейшем он использует как для описания своего жизненного опыта и ощущений, так и для организации своего субъективного поведения в тех или иных социальных группах. Теоретически ВРС относится к одной из сенсорных модальностей, где чувствительность данного индивида наиболее развита: визуальной, аудиальной, кинетической, логической, вкусовой и обонятельной, но наиболее значимыми с точки зрения приобретения знаний являются первые четыре:

- визуальная, когда человек формирует представления об окружающем мире созданием относящихся к нему картин и образов;

- аудиальная, когда формирование представлений о мире совершается выделением звукового и речевого сопровождения: тонального (интонация, тембр, скорость речи) и дигитального (смысл и значение речевого высказывания);

- кинетическая, когда субъективная модель мира человека выстраивается с помощью чувств и ощущений;

- логическая, когда восприятие информации происходит через логическое осмысление, с помощью цифр, знаков, логических доводов.

На основе анализа состояния вопроса о существующих подходах к автоматизации процесса обучения и способов повышения его эффективности поставлена задача диссертационного исследования.

Вторая глава посвящена описанию моделей и методов, используемых при построении автоматизированной обучающей системы, рассматриваются вопросы создания моделей обучения, формулируется задача процесса обучения и предлагаются постановки ее оптимизации. Для учета свойств объекта обучения и реализации универсальной комбинированной процедуры автором предлагается структура АОС, представленная на рис. 1. Особенности ее функционирования следующие.

При синтезе управления важными являются частота обучения и контроля знаний, метод подачи материала (равномерный, неравномерный), тип используемых технических средств обучения (ТСО). Последние применяются для представления информации, моделирования ситуаций и должны отвечать типу ВРС. Следующими аспектами методики являются динамика сложности материала (линейно-возрастающая, постоянная, нелинейная), вид когнитивного подхода: индуктивный и дедуктивный и др. Воздействие Z представляет собой некоторые установки, которые приняты преподавателем, например, изучаемая дисциплина, объем лекционных часов и др. При организации учебных занятий приходится учитывать возмущающие воздействия W, к которым относятся, например, длительность, условия (комфортность помещения, время дня проведения занятий и т.п.).

В АОС орган управления функционирует по двухканальной схеме. Первый канал реализует прямую связь и образуется цепочкой: идентификация ВРС, входной контроль знаний — ЭС — методика обучения — оператор. Таким образом, формируется управление по возмущению, с помощью которого орган управления выбирает методики обучения, основанные на знаниях X. Экспертная система (ЭС) содержит базу данных (БД), в которой хранится информация о результатах идентификации ВРС, входного контроля знаний. Кроме этого, ЭС включает базу знаний (БЗ), необходимую для выбора управляющих воздействий (методик). Для представления знаний в разработанной автором комбинированной АОС на первом этапе функционирования применяются продукционные модели.

Второй канал

органа управления реализует обратную связь и образуется следующей последовательностью: выходной контроль

Идентификация ВРС, входной КЗ

Орган управления (Преподаватель) ТСО

U

Выходной КЗ

знаний — Преподаватель — задачи, ТСО — оператор. Дополнительные

X

W

Оператор

Y

знания по выходному контролю поступают и хранятся в БД системы, отображаются

Рис. 1. Структурно-функциональная схема автоматизированной обучающей системы

Преподавателю и влияют на выбор задач. Таким образом, этот канал формирует управление по отклонению, благодаря которому Преподаватель (возможно, совместно с ЭС) определяет сложность и конкретный вид задач для оператора. Работа этого канала обратной связи близка к пропорциональному закону регулирования: чем выше уровень знаний на выходе, тем более сложные задаются оператору задачи. Сформулирован ряд задач автоматизированного обучения в виде задач на условный экстремум.

Задача 1 (на быстродействие). Требуется найти управление и е V для достижения минимума времени обучения /: i(u) min, где V- ограниченное множество допустимых управлений; время обучения t определяется из условия достижения заданного уровня знаний (умений) S,: t(u)~* arg min {S„ >S,} с учетом возмущений, вносимых входным уровнем знаний S,, психологическими особенностями обучаемого Р, которые описываются некоторой моделью: S0 - MiS^P^j), где S0 - выходной уровень знаний. Под управлением и здесь и далее понимается методика обучения, выбираемая из некоторого допустимого ограниченного множества V, которые содержатся в базе знаний АОС.

Задача 2 (маггимизация знаний). Требуется найти управление и для достижения за время обучения Т. максимального уровня знаний: 50(м)->шах, с учетом возмущений, вносимых входным уровнем знаний S,, психологическими особенностями обучаемого Л которые описываются некоторой моделью: S0 = А/(5|,Я,м,Гг), где S0 - выходная степень (уровень) знаний, Тг - заданное время обучения.

Задача 3 (экономичное обучение). Требуется найти управление и для достижения минимума стоимости обучения R за время Тг: R(u) -> min, с учетом возмущений, вносимых входным уровнем знаний S,, психологическими особенностями обучаемого Р, которые описываются некоторой моделью S0 = М(»). При этом уровень знаний (умений) по окончании обучения не должен быть ниже заданного S,: ЗД) >,<?,.

Здесь вычисление целевых функций S„, R осуществляется на основе экспертных методик, формализованных с помощью методов представления знаний. Модель формирования знаний оператора М(8^Р,и,Тг) также описывается на основе представлений эксперта и хранится в БЗ АОС. Для этого используется продукционная модель представления знаний.

Возможны также и другие постановки задач оптимального обучения, которые в некоторой организационно-технической системе сводятся к оптимизационной задаче на экстремум. Особенностью всех задач является отсутствие в явной привычной математической форме модели М обучаемого, специфический вид управляющих воздействий и и ряд других характеристик.

Автором предложена итерационная процедура формирования управляющих воздействий, каждый шаг которой состоит из следующих операций.

1. Решаются задачи, связанные с учетом ВРС обучаемого: предварительный анализ (экспертиза) характеристик; выявление значимых характеристик; классификация операторов.

2. Определяется состав сигналов: входных X, выходных У, возмущающих IV, заданных 2, управлений V. Для этого используются методы инженерии знаний с привлечением экспертов в области обучения.

3. Создается модель М(£„ Р, и, г) обучаемого с помощью формализации знаний экспертов для решения одной из заданных оптимизационных задач.

4. Формируется база знаний для эвристической оптимизации по управлению и согласно выбранному целевому критерию.

5. Проверяется адекватность модели и процедуры эвристической оптимизации. В зависимости от полученного результата предыдущие операции могут повторяться.

Таким образом, особенностью предложенной системы обучения является то, что она использует известные характеристики объекта управления (обучаемого) и базируется на знаниях. Следует отметить, что наряду с традиционными формализованными подходами оценки входных и выходных знаний, основанных на тестах, автором также использовались методы нечеткой логики, которые позволяют достигнуть более точных результатов.

Учебный материал рассматривается как множество тем предметной области (ПО), описываемых фреймовой моделью (рис. 2). Фрейм-прототип «Тема» содержит следующие атрибуты (слоты): «Раздел», «Конспект», «Пример», «Аудиозапись» и «Видеозапись». Раздел является наименьшей неделимой структурой учебного материала, любой экземпляр фрейма «Раздел» содержит ссылки на информационные ресурсы, представляющие собой файлы определенного формата.

Одним из наиболее важных и спорных моментов при создании любой обучающей системы являются выбор и реализация методики обучения оператора. Разные обучаемые имеют различные индивидуальные характеристики, типы мышления и предрасположенности к восприятию информации. Предлагается использовать методику с учетом ВРС оператора (рис. 3).

Тема

Раздел

Конспект

Пример

Аудиозапись

Видеозапись

МЕТОДИКА ОБУЧЕНИЯ

Рис.2. Фреймовая модель представления учебного материала

Рис.3. Модель формирования методики обучения с учетом ВРС

Метод определения ВРС представляет собой анкетирование оператора с целью определения наиболее значимых каналов восприятия информации. Различают

слуховой - «аудиалы», зрительный - «визуалы», двигательный - «кинетики» и логический канал восприятия - «логики». Степень принадлежности оператора к одному из классов определяется по набору вопросов, которые предлагается оценить по порядковой шкале. Результатом такого тестирования становится формирование групп обучаемых по степени приоритета тех или иных каналов восприятия информации и последующее формирование учебного материала. Модель представления информации описывается фреймом.

Процедура оценки знаний предназначена для определения текущей успеваемости операторов по темам предметной области. Для каждой темы формируется набор вопросов, необходимый для выявления успеваемости оператора по текущей теме, сопровождаемый несколькими вариантами ответа, и указываются правильные варианты. Для повышения достоверности оценки знаний и исключения фактора случайности (угадывания ответа) предлагается использовать аппарат нечетких множеств.

Пространство возможных ответов состоит из пяти вариантов: НАИБОЛЕЕ БЛИЗОК, ДОСТАТОЧНО БЛИЗОК, РАВНОЗНАЧНО БЛИЗОК, ДОСТАТОЧНО ДАЛЕК, НАИБОЛЕЕ ДАЛЕК. Процедура установления соответствия между субъективными ответами оператора на поставленные вопросы и их количественными значениями описывается отношением вида:

Я = А->В. (1)

Процесс получения нечеткого результата вывода В' с использованием данных наблюдения А' и знания А—>В можно представить в виде выражения:

В' = А'*Я = А'«(А-»В). (2)

где • - композиционное правило нечеткого вывода, - нечеткая импликация.

Выражение (2) можно описать с помощью функции принадлежности: тв-= тА. (х)л тк(х,у))=М шА'(х)л( тА(х)л тв(у)))=М тА-(х)л тА(х)))л тв(у)=

= V ша.ла(х)л шв(у) (3)

где тА(х) - функция принадлежности (ФП) предпосылки, шв(х) - заключения, шЛ'(х) - нечеткого наблюдения (ответа оператора).

Для решения задачи определения уровня знаний оператора предлагается использовать нечеткое продукционное правило (4), отражающее знания о задаче, а также функции принадлежности наблюдений. Правило и функции принадлежности формируются с использованием знаний эксперта - преподавателя, а также эмпирическим способом.

Если ДАННЫЙ ВАРИАНТ ОТВЕТА НАИБОЛЕЕ БЛИЗОК ИСТИНЕ, то ПРИСВОИТЬ МАКСИМАЛЬНЫЙ БАЛЛ (4)

В соответствии с персональными требованиями и особенностями преподавания преподаватель (группа преподавателей) формирует ФП правильного ответа (рис. 4 а), которая отражает зависимость степени правильности (СП) от полученного ответа. Кроме того, формируется ФП ответа оператора, которая показывает разброс значений ответа в зависимости от степени правильности (СП), иначе — нечеткость ответа. Наконец, создается ФП оценки (рис. 4 б), которая показывает зависимость оценки от СП. Для формирования ФП текущего ответа оператора необходимо сместить ее на величину весового коэффициента (рис. 4 в). Далее осуществляется наложение ФП текущего ответа на ФП правильного ответа (рис. 4 г). При этом находится максимальная точка пересечения двух функций, которая определяет СП ответа для конкретного варианта.

Для перехода от нечеткого заключения к количественной оценке используется метод «центра тяжести», который определяется по формуле (5):

=5Х(у)у/£,Я,<У). (5)

ФП правильного ответа

1 _ 1

0,8__/Г"--0,8

0,6 0,4 0,2 О

ФП оценки

а) 1

0,8 0,6 0,4 0,2 О

0 0,2 0,4 0,6 0,8 1 ФП ответа оператора

Дефаззификация

Л

/ \

/ \

7

0,8 0,8 1 ; -

0,6 / 0,6 1 У !

0,4 • 1 0,4 Г У : 1

0,2 1 0,2 ! 1

0 - ____| 0 ; (

6 8 10

0 0,2 0,4 0,13 0,8 1 0 0,2 0,4 0,6 0,8 1 0 2 в) г) д)

Рис. 4. Метод определения оценки ответа с использованием функций принадлежности

Механизм логического вывода обучающей ЭС построен на продукционной модели представления знаний и определяется совокупностью продукционных правил Рг, связывающих с помощью импликаций факты (6):

Рг-(0;А->В, ' (6)

где I - имя продукции, А => В - ядро продукции.

Описанные выше модели и методы являются базой для построения АОС, созданной для решения задачи обучения операторов.

В третьей главе описывается архитектура разработанной АОС, определяется ее положение в процессе обучения операторов, приведены функциональные и структурные схемы программного комплекса и результаты апробации работы.

Автором предложена архитектура системы управления процессом обучения с использованием автоматизированной экспертной системы (рис. 5).

В процессе автоматизированного обучения принимают участие три подсистемы: эксперты, экспертная система и непосредственно обучаемый. Подсистема «эксперты», в которую входят эксперты по предметной области, а также специалисты по психологии и педагогике, предназначена для предоставления ЭС информации, необходимой для проведения процесса обучения. Специалист о предметной области наполняет систему знаниями о предметной области (ПО), представляющими собой непосредственно учебный материал. Кроме того, в систему заложены эмпирические знания эксперта, основанные на его личном опыте. На основе оценки эксперта-психолога в ЭС формализована методика выявления особенностей восприятия обучаемым предлагаемой информации на базе определения его ВРС.

Эксперты выступают как информаторы, которые обладают знаниями или опытом в области некоторых компетенций. Предоставленные экспертами знания формализуются ЭС и записываются в базу данных и знаний. Экспертная система в

структуре процесса автоматического обучения рассматривается как система, состоящая из трех основных подсистем: блок определения индивидуальных характеристик, блок определения текущего уровня знаний и блок предоставления знаний. На первом этапе процесса обучения определяется начальное состояние обучаемого, т.е. решается задача идентификации состояния объекта обучения.

Рис. 5. Архитектура системы автоматизированного обучения с использованием экспертной системы

Блок определения индивидуальных характеристик (БОХ) проводит психологическое тестирование объекта обучения с целью определения индивидуальной ВРС. Эта информация сохраняется в БД для формирования методики обучения, учитывается модулем планирования и отладки при подготовке действий, направленных на предоставление оператору недостающей информации по предметной области. Далее блок определения уровня знаний обучаемого (БОЗ) осуществляет предварительный опрос объекта обучения по разделам предметной области. Таким образом, при диалоге решается задача диагностики. Анализ полученных ответов позволяет ЭС сформировать оценку состояния оператора и подготовить информацию для модуля планирования и отладки. По результатам диагностики уровня знаний информация об успеваемости также записывается в БД.

Таким образом, текущее состояние оператора определяется его индивидуальными психофизическими характеристиками, а также набором оценок по темам предметной области, полученных обучаемым в течение некоторого промежутка времени. После анализа результатов ответов обучаемого блок предоставления знаний (БПЗ) модуля планирования и отладки ЭС формирует индивидуальную методику обучения для заданного оператора социально-экономических систем.

Условно оператора в текущем контексте можно представить двумя блоками: блок интерпретации информации и память. Блок интерпретации информации оператора индивидуален для каждого человека, является своеобразным «фильтром информации» и зависит от ВРС. Любая информация, получаемая оператором, «проходит» через этот блок и сохраняется в памяти.

Блок определения характеристик ЭС учитывает это свойство объекта обучения и передает эти сведения БПЗ. Выходная информация, сформированная БПЗ с учетом ВРС, поступает к оператору. Выходные знания представляют собой инфор-

мацию о предметной области, которую оператор способен предоставить на текущий момент времени. Уровень знаний оператора повторно анализируется ЭС и, если он не соответствует установленным критериям, проводится повторное обучение для восстановления недостающей или потерянной информации. Процесс обучения контролируется экспертом по предметной области (преподавателем), который при необходимости может внести коррективы в БЗ экспертной системы.

На основе архитектуры, изображенной на рис. 5, разработана и реализована АОС. В качестве клиентской части приложения и модуля управления данными используется объектно-ориентированная среда Delphi фирмы «Borland». Обладая широкими функциональными возможностями, это инструментальное программное средство позволяет использовать широкий спектр аппаратных и программных ресурсов персональной вычислительной техники, что реализовано в процедурном модуле системы. Для разработки модуля логического вывода использована система Visual Prolog фирмы «Prolog Development Center».

В состав ЭС входят следующие подсистемы: блок идентификации, база данных, база знаний, блок обучающих модулей, объяснительная компонента, интерфейсный блок, механизм логического вывода.

Система апробирована автором при проведении занятий по программированию у студентов. При этом выделены две группы: первая обучалась по традиционной методике, вторая — с использованием АОС. Целью обучения являлось достижение максимального уровня знаний при заданном времени обучения. Алгоритм предложенной методики сравнительной оценки эффективности различных методик представлен на рис. 6.

Согласно этой методике перед началом обучения проведен входной контроль знаний студентов обеих групп. Уровень выходных знаний So определялся на итоговом экзамене. Распределение оценок студентов согласно проверенной статистической гипотезе подчиняется нормальному закону, поэтому в оценке эффекта от внедрения ЭС используются такие критерии, как среднее значение и среднеквадрати-ческое отклонение.

По результатам входного контроля знаний средняя оценка в группе S„ обучаемой по традиционной методике (7,1), выше, чем в группе автоматизированного обучения (5,9). Кроме этого, в последней группе степень «разброса» уровня знаний, оцениваемая с помощью среднеквадратического отклонения, выше, поэтому используется относительное приращение среднего значения и относительное изменение среднеквадратического отклонения:

s,оs;. = У„±с'.\ s,2„ = (S(c/„-s;„)2 /<«-i»03, (7)

'" j.I ■

где С/„ — оценка j-ro студента при входном и выходном контроле знаний.

На первом этапе с помощью метода экспертных оценок-выявлен состав показателей, входящих в ВРС. При этом установлено, что первая группа в основном состоит из К — «кинетиков», гораздо менее представлены другие типы (А — «аудиа-лы» — 3, В — «визуалы» — 3, практически ни одного Л — «логика»).

Во второй группе преобладали в основном «логики», а также небольшая часть — «визуалы». На втором этапе зафиксированы процедуры входного и выходного контроля знаний. Затем с помощью таких процедур извлечения знаний, как анкетирование, собеседование и др., получена необходимая информация о методике обучения для эвристического достижения максимума критерия в задаче 2 с учетом ВРС и других переменных, Результаты входного и выходного контроля знаний при

Начало

Входной контроль знаний С, вычисление статистик Б

Выходной контроль знаний С„„ вычисление статистик 5

Гипотеза Н2:

выборки С.ш, -

однородные ^^

да

Вычисление относительных Проверка гипотезы

статистик Б Н3 о существенном

отличии статистик Б

1

Проверка гипотезы Н4о су-

щественном отличии отно-

сительных статистик Э

Сравнительный анализ и вывод об эффективности методов обучения

Конец алгоритма

проверке гипотезы Нз представлены в табл.1. Их анализ позволяет сделать вывод об эффективности использования АОС, т.к. «прирост» уровня знаний составил 25,3%, тогда как для традиционной методики он равен лишь 15,5%. Кроме этого, использование автоматизированного обучения снизило «разброс» в уровне знаний на 35,6%, тогда как при традиционной методике этот показатель равен 13,5%.

Дальнейшая эксплуатация АОС в вузах также показала ее более высокую эффективность по сравнению с традиционными подходами к обучению информатике и программированию. Кроме этого, использование предложенного подхода, связанного с использованием ВРС, при обучении сотрудников бухгалтерий предприятий Приволжской железной дороги работе с программными средствами ООО «Сарлен-Алекс» по автоматизации оперативного, бухгалтерского, налогового учета, а также финансового анализа позволило существенно сократить сроки обучения кадров, а также повысить производительность и надежность их работы.

Рис. 6. Алгоритм оценки эффективности обучения

Таблица 1

Статистический анализ результатов обучения

Характеристика Традиционная методика Автоматизированное обучение

среднее, 5' с.к.о., 52 среднее, 51' с.к.о., 52

Входной КЗ 7,1 1,85 5,9 2,05

Выходной КЗ 8,4 1,60 7,9 1,29

Относительное изменение, % 15,5 13,5 25,3 35,6

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Предложен метод синтеза систем управления процессом обучения операторов социально-экономических систем по комбинированной (двухканальной) схеме с использованием ведущей репрезентативной системы.

2. Разработана и реализована инвариантная к предметной области модель хранения информации на основе фреймов. Предложенная схема структурирования учебного материала позволяет эффективно наполнять систему требуемой информацией для использования в различных предметных областях.

3. Построена модель с учетом ведущей репрезентативной системы, которая ориентирована на учет индивидуальных особенностей оператора;

4. Предложена методика определения текущего уровня знаний операторов на основе аппарата нечетких множеств.

5. Выявлены и систематизированы знания по педагогике и психологии, которые формализованы в виде продукционных правил и использованы при построении автоматизированной обучающей экспертной системы.

6. Разработана и внедрена автоматизированная обучающая экспертная система, использование которой позволило повысить эффективность обучения операторов на основе реализации экспертных возможностей в системе и организации самостоятельного или дистанционного обучения;

7. Результаты работы применяются в учебном процессе в государственных технических университетах (Саратовский, Тамбовский), а также использованы на Приволжской железной дороге.

8. Разработанное программное обеспечение официально зарегистрировано в Роспатенте РФ.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

Основное содержание диссертационной работы отражено в следующих публикациях:

Статьи в журналах, периодических изданиях, включенных в список ВАК РФ

1. Шатохин В. В. Управление образовательным процессом на основе автоматизированных комбинированных обучающих систем / А. А. Большаков, О.Н. Долинина, В. В. Шатохин // Вестник СГТУ. - 2008. №3(35). Выпуск 2. - С. 54 — 662.

2. Шатохин В. В. Синтез автоматизированных комбинированных обучающих систем / А. А. Большаков, В.В. Шатохин // Системы управления и информационные технологии. -2004. —№ 4(16). — С. 73 — 77.

3. Шатохин В. В. Идентификация психофизиологических характеристик операторов / А. А. Большаков, В. В. Шатохин // Вестник Тамбов, гос. техн. ун-та. — 1999. — Т. 5. — №3.-—С. 359 —363.

Статьи в сборниках трудов международных научных конференций

4. Шатохин В. В. Особенности реализации автоматизированной обучающей экспертной системы / А. А. Большаков, В. В. Шатохин // Интернет-технологии - на службу обществу: сб. трудов VI Всерос. науч.-практ. конф. / Сарат. гос. техн. ун-т. — Саратов, 2008. -С. 28 — 30

5. Шатохин В. В. Анализ эффективности использования в учебном процессе автоматизированной обучающей системы / А. А. Большаков, В. Ю. Мусатов, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XVII междунар. науч. конф. / Костр. гос. техн. ун-т. — Кострома, 2004. — Т. 8. — С. 236—238.

6. Шатохин В. В. Особенности автоматизированной обучающей системы с использованием нечеткой логики для оценивания знаний / А. А. Большаков, С. С. Буйлов,

В. Ю. Мусатов, В. В. Шатохин И Математические методы в технике и технологиях: сб. трудов XVI междунар. науч. конф. / Рост. гос. акад. хим. машиностр. — Ростов н/Д, 2003.

— Т. 4, —С. 202—205.

7. Шатохин В. В. Разработка автоматизированной обучающей интеллектуальной системы / В. В. Шатохин // Проблемы научно-методического и организационного обеспечения учебного процесса по интегрированным образовательным программам в структуре учебно-научно-инновационного комплекса: сб. трудов межвуз. науч.-метод. конф. / Сарат. гос. техн. ун-т. — Саратов, 2002. — С. 185 — 188.

8. Шатохин В. В. Интерпретатор языка программирования в автоматизированной обучающей системе / А. А. Большаков, С. С. Буйлов, В. Ю. Мусатов, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XV междунар. науч. конф. / ТГГУ.

— Тамбов, 2002. — Т. 5 - С. 78 — 81

9. Шатохин В. В. Применение психологического тестирования в автоматизированной обучающей системе / А. А. Большаков, В. Ю. Мусатов, Е.Н. Токарева, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XIV международ, науч. конф.

— Смоленск: Смоленский ф-л МЭИ, 2001. — Т. 6. — С. 126 — 127.

10. Шатохин В. В. Некоторые аспекты программирования экспертных систем / В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XIII междунар. науч. конф. / ПГТУ(ТИ). — СПб., 2000. — Т. 4. — С.54 — 56.

11. Шатохин В. В. Нечеткая процедура определения психофизиологических характеристик операторов / А. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XII междунар. науч. конф. — Великий Новгород: Новгород, гос. ун-т, 1999. — Т. 3. — С. 24 — 26.

12. Шатохин В. В. Архитектура обучающей экспертной системы / А. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XII междунар. науч. конф. — Великий Новгород: Новгород, гос. ун-т, 1999. — Т. 3. — С.26 — 27.

13. Шатохин В. В. Использование экспертных систем в учебном процессе / А. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XI междунар. науч. конф. — Владимир: Владимир, гос. ун-т, 1998. - Т. 4 — С. 39 — 40.

14. Shatokhin V. Management of education by means of intellectual teaching systems //

A. Bolshakov, O. Dolinina, V. Shatokhin // 9* Intenational Conference on Engineering Education. San Juan, Puerto Rico, 2006. - P. 232 - 237

Патентные документы

15. Автоматизированная обучающая экспертная система (АОЭС) / А.А.Большаков,

B. В. Шатохин, В. В. Мусатов, С. С. Буйлов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. — № 2003611710. — 2003.

В работах, написанных в соавторстве, Шатохину В.В. принадлежат следующие результаты (общий объём 2,9 п.л.): создан метод идентификации психофизиологических характеристик операторов на основе аппарата нечетких множеств [3], в [2] предложены постановки задачи оптимизации обучения операторов на основе моделей представления знаний, в [1] построена процедура синтеза автоматизированных обучающих экспертных систем.

Корректор Л.А. Скворцова

Подписано в печать 23.07.09 Формат 60x84 1/16

Бум офсет. Усл. печ. л. 1,0 Уч.-изд. л. 1,0

Тираж 100 экз. Заказ 341 Бесплатно

Саратовский государственный технический университет

410054, Саратов, Политехническая ул., 77 Отпечатано в РИЦ СГТУ. 410054, Саратов, Политехническая ул., 77

ВВЕДЕНИЕ.:.

1. СОВРЕМЕННЫЕ ПОДХОДЫ К УПРАВЛЕНИЮ ОБУЧЕНИЕМ В СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ.

1.1 .Классификация обучающей деятельности.

1.2. Современные подходы к автоматизации управления обучением.

1.3. Обзор современных обучающих систем.

1.4. Постановка задачи.'.

1.5. Выводы по разделу 1.

2. МОДЕЛИ И МЕТОДЫ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ ОБУЧЕНИЕМ ОПЕРАТОРОВ.

2.1.Синтез автоматизированных комбинированных обучающих систем

2.2.Постановка задачи управления обучением операторов.

2.3.Синтез управления в комбинированной обучающей системе.

2.4.Определение ведущих репрезентативных систем операторов.

2.5.Контроль знаний операторов.

2.6.Модель представления и хранения данных и знаний для системы автоматизации управления обучением операторов.

2.7.Выводы по разделу 2.

3. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ОБУЧЕНИЕМ ОПЕРАТОРОВ С УЧЕТОМ ПСИХОФИЗИОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК.

3.1.Разработка обобщенной структурной схемы автоматизированной обучающей системы.

3.2.Организация управления процессом автоматизированного обучения с использованием экспертной системы.

3.3.Создание автоматизированной интеллектуальной обучающей экспертной системы.

3.4.Реализация автоматизированной обучающей экспертной системы

3.4.1. Функциональная схема автоматизированной обучающей экспертной системы.

3.4.2. Система контроля доступа к информации.

3.4.3. Картотека пользователей.

3.4.4. Настройка системы.

3.4.5. База данных.

3.4.6. Модуль контроля знаний.

3.4.7. Модуль психологического тестирования.

3.4.8. База знаний.

3.4.9. Режим обучения.

3.5.Характеристика и анализ результатов обучения студентов в вузе с использованием автоматизированной обучающей экспертной системы.

3.6. Описание результатов управления обучением бухгалтеров на железной дороге.

3.7.Выводы по разделу 3.

Актуальность работы. Важными требованием к формированию специалистов высокой квалификации являются повышение качества их подготовки, твердые практические навыки и быстрая адаптация в реальных условиях, что является важнейшим условием создания конкурентных преимуществ современных социально-экономических систем. Это требует внедрения новых подходов к управлению обучением, обеспечивающих наряду с его фундаментальностью развитие творческих и профессиональных компетенций, потребностей и заинтересованности в самообразовании. Наиболее продуктивным способом обучения является диалог обучаемого с высококвалифицированным преподавателем (специалистом). Однако нередко это невыполнимо, т.к. требует большого числа дорогостоящих специалистов.

Одним из перспективных способов решения этой проблемы, а также повышения качества обучения является использование в образовательном процессе автоматизированных обучающих систем [2, 4-6, 13, 16, 27, 32, 34, 35, 56, 59, 80, 81]. Исследования показывают, что знакомство и усвоение нового учебного материала обычно гораздо эффективнее, когда в учебной работе применяются программные обучающие средства. Преимущество такого обучения обусловливается комплексностью реализации таких принципов, как индивидуальный подход к каждому обучаемому, возможность варьирования сложности учебного материала, его систематичность, широкие возможности вывода информации на различные периферийные устройства [20, 22, 50].

Современные обучающие системы не лишены существенных недостатков. К ним относятся жесткая привязка систем к конкретной предметной области и отсутствие возможности объяснения, упрощенная методика оценки знаний обучаемых, минимальные возможности адаптации учебного материала, которые учитывают только текущий уровень знаний [94, 98, 106].

Дальнейшее повышения качества обучения связано с использованием методов искусственного интеллекта, в т.ч. с созданием автоматизированных обучающих экспертных систем (Э.В. Попов, Г.С. Поспелов, А.А. Большаков, Ф. Хейес Рот, Д. Уотермен, Д. Лената, И. Братко и др).

При этом не решена задача построения автоматизированной обучающей экспертной системы, инвариантной к предметной области, объединяющей знания специалистов по педагогике, психологии и предметной области (Н.Р. Немов, Р. Эденборо, А. Грассер, Н. Персон), а также, имеющей гибкую систему формирования учебного материала с учетом психофизиологических характеристик обучаемого (Ливер Бетти Лу, Дж. Гриндер, Р. Бэндлер) и оценки знаний на основе аппарата нечетких множеств (Л. Заде, К. Асаи, Д. Ватада, Р. Ягера).

В диссертационном исследовании в качестве объекта исследования рассматривается оператор (операторы) социально-экономических систем, под которым понимается человек (группа людей), решающий(ие) задачи из узкой области компетенции в условиях действующих ограничений на время принятия решения, например, студенты учебных заведений, бухгалтеры, операторы складских комплексов и др. При этом под обучением понимается процесс приобретения или восстановления определенных знаний и умений.

Таким образом, построение системы управления обучением операторов социально-экономических систем на основе создания и использования автоматизированной обучающей экспертной системы, инвариантной к предметной области, объединяющей знания специалистов по педагогике, психологии и предметной области, а также, имеющей гибкую систему формирования учебного материала и оценки знаний является весьма актуальной научно-технической задачей.

Целью диссертационной работы является повышение эффективности управления процессом обучения операторов социально-экономических систем на основе автоматизированных обучающих экспертных систем с учетом индивидуальных психофизиологических характеристик и применения аппарата нечеткой логики.

Для достижения этой цели необходимо решить следующие задачи:

1. Выполнить анализ процесса обучения операторов социально-экономических систем как объекта управления.

2. Построить информационную модель хранения данных, требуемых для обучения, инвариантную к предметной области, и модель представления и оценки знаний, учитывающей психологические особенности операторов.

3. Разработать метод управления обучением операторов с использованием двухканальной схемы управления по возмущению и отклонению.

4. Разработать методику оценки эффективности управления обучением с учетом однородности групп операторов.

5. Создать обучающую экспертную систему, функционирующую на основе диагностики текущего уровня знаний и с учетом индивидуальных психологических особенностей восприятия информации операторами.

6. Провести апробацию методов управления обучением операторов с применением обучающей экспертной системы.

Методика диссертационной работы основана на применении методов искусственного интеллекта, теории оптимизации, аппарата нечеткой логики, статистического анализа, объектно-ориентированного программирования. На защиту выносятся:

1. Подход к синтезу систем управления процессом обучения операторов в социально-экономических системах по комбинированной (двухканальной) схеме с использованием психофизиологических характеристик.

2. Методика создания моделей хранения данных и знаний для организации процесса обучения операторов, инвариантная к предметной области и использующая формализм фреймов для представления информации.

3. Модель представления и оценки знаний, учитывающая психофизиологические особенности операторов, определяемая на основе аппарата нечетких множеств.

4. Постановки задач оптимизации управления процессом обучения операторов социально-экономических систем.

5. Методика оценки эффективности обучения неоднородных групп операторов.

6. Автоматизированная обучающая экспертная система, функционирующая на основе диагностики текущего уровня знаний операторов и предложенной методики обучения с учетом индивидуальных психофизиологических характеристик операторов.

7. Результаты апробации предложенных моделей и методов управления процессом обучения операторов социально-экономических систем на основе автоматизированной обучающей экспертной системы с учетом психофизиологических характеристик.

Научная новизна

• разработан метод управления обучением на основе двухканальной схемы, отличающийся использованием комбинированных управляющих воздействий на операторов с учетом их психологических особенностей, что позволяет создавать обучающие экспертные системы, ориентированные на индивидуальные особенности операторов социально-экономических систем;

• предложена методика сравнительной оценки эффективности управления обучением различными методами (способами) групп операторов, отличающаяся учетом однородности их состава по уровню знаний;

• разработана процедура формирования управляющих воздействий, учитывающая психологические особенности восприятия информации, что позволяет адаптировать учебный материал к персональным особенностям конкретного оператора;

• предложена методика определения психологических особенностей восприятия информации оператором и оценки уровня знаний, отличающаяся применением аппарата нечетких множеств, что позволяет более точно интерпретировать субъективные ответы тестируемых и автоматизировать эти процессы при создании экспертных обучающих систем.

Практическая ценность работы определяется тем, что содержащиеся в ней теоретические положения и выводы, результаты опытно-экспериментальной работы и практической реализации и позволили сформировать научную базу и практические методики создания обучающих экспертных систем, на основе которых разработаны: инвариантная к предметной области программная оболочка, позволяющая организовывать учебные курсы по различным дисциплинам в высших учебных заведениях; структурированный и формализованный учебный материал для изучения языка программирования, использованный при внедрении проекта в вузах; модель и архитектура, позволяющие применять систему для обучения операторов различного уровня подготовки.

Результаты работы используются в учебном процессе в Саратовском, Тамбовском государственных технических университетах, на Приволжской железной дороге.

Реализация и внедрение результатов работы. Результаты диссертационной работы использованы при создании автоматизированной обучающей экспертной системы с учетом психофизиологических характеристик, методик управления обучения операторов, внедренных в ряде вузов и на железнодорожном транспорте.

Достоверность научных результатов и выводов определяется корректным применением методов исследований и подтверждается экспериментальными результатами от практического внедрения предложенных решений для управления процессом обучения операторов.

Апробация работы. Основные результаты диссертационной работы доложены на Всероссийских, Международных научно-технических конференциях: Математические методы в технике и технологиях (ММТТ) — ММТТ-11 (Владимир, 1998), ММТТ-12 (Великий Новгород, 1999), ММТТ-13 (Санкт-Петербург, 2000), ММТТ-14 (Смоленск, 2001), ММТТ-15 (Тамбов, 2002), ММТТ-16 (Ростов, 2003), ММТТ-17 (Кострома, 2004)); НМК «Проблемы научно-методического и организационного обеспечения учебного процесса по интегрированным образовательным программам в структуре учебно-научно-инновационного комплекса» (Саратов, 2002), 9th Intenational Conference on Engineering Education (San Juan, Puerto Rico, 2006), НПК «Интернет технологии - на службу обществу» (Саратов, 2008).

Публикации. По теме диссертации опубликовано 15 печатных работ, в т.ч. в 3-х публикациях в изданиях, рекомендованных ВАК РФ, а также 1 свидетельство Роспатента РФ.

Структура и объем работы. Диссертация состоит из введения, 3 разделов, заключения и списка использованной литературы, изложенных на 133 страницах машинописного текста, содержит 50 рисунков, 6 таблиц, включает 118 наименований отечественной и зарубежной литературы, 3 приложения.

6. Результаты работы применяются при обучении бухгалтеров Приволжской железной дороги, а также в учебном процессе в Саратовском и Тамбовском государственных технических университетах, что подтверждено актами внедрения АОЭС.

7. Разработанное программное обеспечение официально зарегистрировано в Роспатенте РФ (№ 2003611710. - 2003).

ЗАКЛЮЧЕНИЕ

К основным результатам работы можно отнести следующие:

1. Проведен анализ существующих автоматизированных обучающих систем. Предложен подход к синтезу систем управления процессом обучения операторов социально-экономических систем по комбинированной (двухканальной) схеме с использованием ВРС.

2. Разработана и реализована инвариантная к предметной области модель хранения информации на основе фреймов, предложенная схема структурирования учебного материала позволяет эффективно наполнять систему требуемыми данными для использования в различных предметных областях.

3. Синтезирована модель с учетом ВРС, ориентированная на учет индивидуальных особенностей оператора, определяемая с помощью аппарата нечетких множеств.

4. Выявлены и систематизированы знания по педагогике и психологии, которые формализованы в виде продукционных правил и использованы при построении автоматизированной обучающей экспертной системы.

5. Разработана и внедрена автоматизированная обучающая экспертная система, использование которой позволило:

• повысить эффективность обучения операторов на основе реализации экспертных возможностей в системе и организации самостоятельного или дистанционного обучения;

• формировать и хранить в базе данных информацию по успеваемости и индивидуальным психофизиологическим особенностям операторов, создавать различные отчеты, организовать удобный и безопасный доступ к персональной информации по каждому оператору;

• минимизировать затраты на инсталляцию и сопровождение, т.к. система не требует специального администрирования;

• автоматизирован ряд функций по актуализации системы по отношению к учебным материалам по различным предметным областям, что позволяет эффективно наполнять систему для использования для различных дисциплин.

1. Автоматизированная обучающая экспертная система (АОЭС) / А. А. Большаков, В. В. Шатохин, В. В. Мусатов, С. С. Буйлов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. -№2003611710.-2003.

2. Агеев В.Н. Электронные учебники и автоматизированные обучающие системы.- М.: 2001. 79 с.

3. Анастази А. Психологическое тестирование // М.: Педагогика, 1982. кн.1. 320с., кн.2. 336с

4. Беспалько В.П. Образование и обучение с участием компьютеров (педагогика третьего тысячелетия). М.: Изд-во Моск. псих.-соц. института; Воронеж: Изд-во НПО «Модек», 2002. 352 с.

5. Беспалько В.П. Персонифицированное образование // Педагогика. 1998. -№2.-С. 12-17.

6. Баринова С.Н. Автоматизированные учебные курсы и их влияние на качество процесса обучения / Материалы конференции "Информационные технологии в образовании", 1999. http://ito.bitpro.ru/

7. Беллман Л., Заде Ф. Принятие решений в расплывчатых условиях. М.: Мир, 1976.

8. Бендат Дж., Пирсон А. Прикладной анализ случайных данных. М.: Мир, 1989.-284с.

9. Большаков А. А. Автоматизированная обучающая система языку программирования ASP NET (АОС ASP NET) / А. А. Большаков, А. Де ла Кетуле де Рихоув, А. Л. Поверенный; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611158. - 2004.

10. Большаков А. А. Автоматизированная обучающая система языку программирования Visual Basic (АОС VB) / А. А. Большаков, П. Виллемот, Д. М. Верескун; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611157. - 2004.

11. Большаков А. А. Автоматизированная обучающая система языкупрограммирования HTML (АОС HTML) / А. А. Большаков, И. Ротсаер, А. В. Филимонов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611159. - 2004.

12. Большаков А. А. Автоматизированное обучение операторов // Вестник Тамбов, гос. техн. ун-та. 1999. - Т. 5. - № 2. - С. 213-217.

13. И.Большаков А. А., Бороздюхин А.А., Долинина О.Н. и др Инновационная методика бизнес-образования в области Интернет-технологий /под ред. О. Н. Долининой и Ю. А. Корсакова. Саратов: Сарат. гос. техн. ун-т, 2002.- 150 с.

14. Большаков А. А., Евдокимова Е.Г. Адаптивное обучение с учетом психофизиологических факторов // Математические методы в химии и химической технологии: Тезисы докладов международ, конф. Новомосковск: РХТУ, 1997. Т. 4. - С. 74-75.

15. П.Большаков А. А. Контрольно-обучающая система LANGPAS / А. А. Большаков, И. В. Егоров, С. В. Тычков // Математические методы в химии и химической технологии: Тезисы докладов между народ, конф. -Новомосковск: РХТУ, 1997. С. 65-66.

16. Большаков А. А. Методология разработки обучающих экспертных систем / А. А. Большаков // Математические методы в технике и технологиях:

17. Тезисы докладов 12 международ, конф. Великий Новгород: Новгород, гос. ун-т, 1999. - Т. 3. - С. 23-24.

18. Большаков А. А. Синтез интеллектуальных организационно-технических систем управления // Вестник Тамбов, гос. техн. ун-та. 2004. — Т. 10 -№ 4а. - С. 954-959.

19. Братко И. Программирование на языке Пролог для искусственного интеллекта: Пер. с англ.- М.: Мир, 1990.- 560 с.

20. Брусиловский П.Л. Адаптивные обучающие системы в Word Wide Web: обзор имеющихся в распоряжении технологий. -http://ifets.ieee.org/russian/depository/WWWITS.html

21. Булгаков М.В., Якивчук Е.Е. Инструментальные системы для*разработки обучающих программ / В кн. "Компьютерные технологии в высшем образовании". / Ред. кол.: А.Н. Тихонов, В.А. Садовничий и др. — М.: Изд-во Моск. ун-та., 1994. С. 153-162.

22. Бурков В. Н. Модели и методы управления организационными системами / В. Н. Бурков, В. А. Ириков. М:: Наука, 1994. - 270 с.

23. Бурков В. Н. Механизмы функционирования организационных систем / В. Н. Бурков, В. В. Кондратьев. М.: Наука, 1981. - 384 с.

24. Бурыкин И.Г., Билянский Ю.Г., Одинцов А.А. Экспертная система предварительной дифференциальной диагностики "Терапия"/"Мат. обесп. «автом. систем".-М.: Изд-во Моск. ун-та.- 1990.

25. Ваграменко Я. А., Зобов Б.И. Информатизация педагогического образования // http://www.mirea.ru/WWWNIIVO/mag/mag498/issled.htm.

26. Васильченко Н. Г. Современная система управления персоналом / Н. Г. Васильченко. М.: ЗАО «Бизнес-школа «Интел-Синтез»», 2003. - 230 с.

27. Воинов А., Гаврилова Т. Инженерия знаний и психосемантика: об одном подходе к выявлению глубинных знаний // Известия РАН Техническая кибернетика. -N5, 1994. с. 5-13.

28. Волков A.M., Ломнев B.C. Классификация способов извлечения опыта экспертов // Известия АН СССР, Техническая, кибернетика. N5, 1989. -с. 34-45.

29. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.- 198 с.

30. Джалиашвили З.О., Кондратьев В.В. Экспертная обучающая система как эвристический инструмент для формирования креативных знаний // ИТО-2001, Секция III, Подсекция 2. http://ito.edu.ru/200l/ito/III/2/III-2-l l.html.

31. Джалиашвили З.О., Николаев Д.Г. Сетевые технологии как эффективное средство поддержки дистанционном обучения // Материалы конференции "Информационные технологии в образовании", 2001. -http://www.bitpro.ru/

32. Джалалуддин А.К. Применение компьютеров для целей непрерывного образования // Перспективы, 1991, № 2. с. 72-89.

33. Журавлева И.И. Интеллектуальные обучающие системы и дистанционном образовании // Материалы конференции "Информационные технологии в образовании", 2001. http://www.bitpro.ru/

34. Заде Л. Лингвистическая переменная. М.: Физматгиз, 1972.

35. Заде Л. Понятие лингвистической переменной и его применение к принятию решений. М.: Мир, 1976. - 165с.

36. Искусственный интеллект: в 3 кн. Кн. 1. Системы общения и Экспертные системы: справочник./Под ред. Э.В. Попова. М: Радио и связь, 1990. 464 с.

37. Искусственный интеллект: в 3-х книгах. Кн.2. Модели и методы: справочник / под ред. Д.А.Поспелова. М.: Радио и связь, 1990. — 304 с.

38. Искусственный интеллект: В 3-х кн. Кн. 3. Программные и аппаратные средства : Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского. М.: Радио и связь, 1990. — 368 с.

39. Кедрова Г.Е., Егоров A.M. Универсальная компьютерная обучающая среда для языковых курсов и специальных лингвистических практикумов //http://mech.math.msu.su/InfTech/kedr.htm.

40. Клещев А.С. Представление знаний. Методологические формализмы, организация вычислений и программная поддержка// Прикладная информатика. 1983. - Вып.1. - С. 49-94.

41. Клинберг JI. Проблемы теории обучения/пер. с нем. М., 1984.

42. Кнут Д. Искусство программирования для ЭВМ / т.З. Сортировка и поиск /Пер. с англ. /Под ред. Баяковского и Штаркмана. М.: Мир, 1978. - 848 с.

43. Кривицкий Б.Х. О систематизации учебных компьютерных средств // Кафедра педагогики, психологии и методики преподавания в высшей школе МГУ. -http://ifets.ieee.Org/russian/depository/v3i3/html/3.html.

44. Крылова Введение в АОС (методические рекомендации) // http://www.nntu.sci-nnov.ru:81 OO/DISLRN/metl 1 .htm.

45. Крылова Введение в АОС (методические рекомендации) // http://www.nntu.sci-nnov.ru:81 OO/DISLRN/metl 6.html.

46. Кудинов В.А. Принципы организации диалога в экспертных обучающих системах // http://www.bytic.ru/cue99M/c0mana6zp2.html.

47. Латышев B.J1. Инновационное обучение и компьютерные технологии // http://www.informika.ru/text/magaz/bullprob/l96/1960504.html.

48. Ливер Бетти Лу. Обучение всего класса/ Пер. с англ. М.: Новая школа, 1995. —48с.

49. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.586 с.

50. Малышев Н.Г., Берштейн JI.C, Боженюк А.В. Нечеткие модели для экспертных систем в САПР. М: Энергоиздат, 1991. - 136 с.

51. Мальцев А.А., Петухова Н.В. Распределение учебных программ по типам в соответствии с их функциональным назначением // http://www.informika.ru/text/magaz/bullprob/l96/l 960501 .html.

52. Марселлус Д. Программирование экспертных систем на ТурбоПрологе: Пер. с англ. М.: Финансы и статистика, 1994. 256 с.

53. Мартынов Д.В., Смольникова И. А. Искусственный интеллект и образование. //Тезисы научно-мет. конференции "Информационные технологии в образовании", Москва, 1999. http://ito.bitpro.ru/

54. Mathcad 6.0 Plus. Финансовые инженерные и научные расчеты в среде Windows 95. Издание 2-е, стереотипное М.: Информационно-издательский дом «Филинъ», 1997.-712 с.

55. Математическая статистика: Учебник/Иванова В.М., Калинина В.Н., Нешумова JI.A. и др.-2-е изд, перераб. и доп.-М.: Высш. школа, 1981.-371 с.

56. Материалы конференции "Новые информационные технологии в университетском образовании" — Новосибирск: 1997. — http://www.nsu.ru

57. Машбиц Е.И. Психолого-педагогические проблемы компьютеризации обучения: (Педагогическая наука реформе школы). - М.: Педагогика, 1988. - 192с.

58. Машбиц Е. И. Методические рекомендации и проектирование обучающих программ. Киев: Госпрофобр, 1986. - 111с.

59. Минский М. Фреймы для представления знаний. М.: Энергия, 1979. 151 с.

60. Немов Н.Р. Психология. Кн.2. Психология образования. М. Просвещение: ВЛАДОС, 1995. - 496 с.

61. Немов Р.С. Социально-психологический анализ эффективной деятельности коллектива. М.: Педагогика, 1984.

62. Нечеткие множества и теория возможности. Последние достижения / Под ред. Ягера Р. Р. М.: Радио и связь, 1986. - 408 с.66. .Нилъсон Н. Искусственный интеллект. Методы поиска решений. М.: Мир, 1973. —270с.

63. Норенков Ю.И. Исследование и разработка принципов построения адаптивных обучающих систем. / Автореферат. М.: 1993. 20 с.

64. Петрушин В.А. Экспертно-обучающие системы. — Киев: Наукова думка, 1991.-196 с.

65. Попов Э. В. Особенности разработки и использования экспертных систем // Искусственный интеллект. В 3 кн. Кн. 1. Системы общения и экспертные системы: Справочник/ Под ред. Э. В. Попова.- М.: Радио и связь, 1990.- с. 261-290.

66. Попов Э.В. Экспертные системы : решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 283 с.

67. Поспелов Д. А. Инженерия знаний // Наука и жизнь. 1987, №6. С. 11-18.

68. Поспелов Г. С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988,- 280 с.

69. Построение экспертных систем: Пер. с англ./ Под ред. Ф.Хейеса Рота, Д.Уотермена, Д.Лената.- М.: Мир, 1987.

70. Представление и использование знаний // Под ред. Уэно Т., Исидзука М. -М.: Мир, 1989.- 230 с.

71. Прикладные нечеткие системы: Пер. С япон./ К.Асаи Д.Ватада и др.; под редакцией Т.Тэрано.-М.: Мир, 1993.

72. Приобретение знаний. Осуга С, Саэки Ю., Судзуки X. и др. Под ред. Осуги С, Саэки Ю. М.: Мир, 1990. 304с.

73. Ретинская И.В., Шугрина М.В. Отечественные системы для создания компьютерных учебных курсов. // Мир ПК, 1993, № 7. — с. 55-62.

74. Роберт И.В. Новые информационные технологии в обучении: дидактические проблемы, перспективы использования. М.: Школа-Пресс, 1994.

75. Рот М. Интеллектуальный автомат: компьютер в качестве эксперта: пер. с нем. М.: Энергоатомиздат,1991. - 80 с.

76. Савельев А.Я., Новиков В.А., Лобанов Ю.И. Подготовка информации для автоматизированных обучающих систем. М.: Высш. шк., 1986. — 176с.

77. Савельев А.Я. Автоматизированные обучающие системы на базе ЭВМ / вып. 1./М.: Знание, 1977.-36 с.

78. Сивохин А.В. Представление знаний в интеллектуальных системах обучения / Уч. пос. Пенза: ПЛИ, 1990. - 86 с.

79. Слейгл Дж. Искусственный интеллект / Дж. Слейгл. М.: Мир, 1973. - 320 с.

80. Скибицкий Э.Г. Комплексный подход к проектированию, созданию и применению целостных компьютеризированных курсов в общеобразовательной школе. Новосибирск: Изд-во Новосиб. ун-та, 1996.

81. Соловов А.В. Проектирование компьютерных систем учебного назначения: Учебное пособие. Самара: СГАУ, 1995. - 137 с.

82. Теория вероятности и математическая статистика. Пугачев B.C. М.: Наука. Главная редакция физико-математической литературы, 1979 - 496 с.

83. Уотерман Д. Руководство по экспертным системам: Пер. с англ.: Мир, 1989.-388 с.

84. Шатохин В. В. Автоматизированная обучающая экспертная система (АОЭС) / А. А. Большаков, В. В. Шатохин, В. В. Мусатов, С. С. Буйлов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. №2003611710.-2003.

85. Шатохин В. В. Архитектура обучающей экспертной системы /

86. A. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XII междунар. науч. конф. /Великий Новгород. -Новгород, гос. ун-т .1999. Т.З. С.26-27.

87. Шатохин В. В. Идентификация психофизиологических характеристик операторов / А. А. Большаков, В. В. Шатохин // Вестник Тамбов, гос. техн. ун-та. 1999. - Т. 5. - № 3. - С. 359-363.

88. Шатохин В. В. Интерпретатор языка программирования в автоматизированной обучающей системе / А. А. Большаков, С. С. Буйлов,

89. B. Ю. Мусатов, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XV международ, науч. конф. / ТГТУ. Тамбов, 2002.-Т. 5-С. -78-81

90. Шатохин В. В. Использование экспертных систем в учебном процессе /

91. A. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XI междунар. науч. конф. / Владимир. -Владимирский, гос. ун-т . 1998. Т. 4 - С. 39-40.

92. Шатохин В. В. Некоторые аспекты программирования экспертных систем /

93. B. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XIII междунар. науч. конф. / ПГТУ(ТИ). СПб., 2000. - Т. 4. - С.54-56.

94. Шатохин В. В. Нечеткая процедура определения психофизиологических характеристик операторов/ А. А. Большаков, В. В. Шатохин //

95. Математические методы в технике и технологиях: сб. трудов XII междунар. науч. конф. / Великий Новгород. Новгород, гос. ун-т . 1999. -Т. 3. С. 24-26.

96. Шатохин В. В. Особенности автоматизированной обучающей системы с . использованием нечеткой логики для оценивания знаний /

97. A. А. Большаков, С. С. Буйлов, В. Ю. Мусатов, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XVI междунар. науч. конф. / Рост. гос. акад. хим. машиностр. Ростов н/Д, 2003.-Т. 4.-С. 202-205.

98. B. Ю. Мусатов, Е.Н. Токарева, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XIV международ, науч. конф. / Смоленск. Смоленский ф-л МЭИ, 2001. - Т. 6- С. 126-127.

99. Шатохин В. В. Синтез автоматизированных комбинированных обучающих систем / А. А. Большаков, В.В. Шатохин // Системы управления и информационные технологии. 2004. - № 4(16). - С. 73-77.

100. Шатохин В. В. Управление образовательным процессом на основе автоматизированных комбинированных обучающих систем / А. А. Большаков, О.Н. Долинина, В. В. Шатохин // Вестник СГТУ. — 2008, №3(35), выпуск 2. С. 54-662.

101. Экспертные системы: Принципы работы и примеры / Под ред. Р.Форсайта. М.: Радио и связь, 1987. 224 с.

102. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры: Пер. с англ.-М.: Мир, 1989. -388 с.

103. Graesser, А. С., & Person, N.K. (1994). Question asking during; tutoring. American Educational Research Journal, 31, 104-137.

104. Shatokhin V. Management of education by means of intellectual teaching systems // A. Bolshakov, O. Dolinina, V. Shatokhin // 9th Intenational Conference on Engineering Education / San Juan, Puerto Rico, 2006.

105. Shortliffe, E. H. Computer-based medical consultations: MYCIN. New York: Elsevier, 1976.

106. Stefanuk V. L. Expert systems and its applications / V. L. Stefanuk // The lectures of Union's workshop on the main problems of artificial intillegence and intellectual systems. Minsk, 1990. - Part 2. - P. 36-55.

107. Trigoboff, M. and Kulikowski, С A. IRIS: a system for the propagation of inferences in a semantic net. Proceedings IJCAI-77, pp. 274—280, 1977.

108. Artificial Intelligence Techniques in Prolog, Y. Shoham, 1994 118.Schwarz, E., Brusilovsky, P., and Weber, G. (1996) World-wide intelligenttextbooks. Proceedings of the the ED-MEDIA 96.