Статистическая теория обучения: модели, методы, алгоритмы и диалоговые системы их реализации




Скачать 134.41 Kb.
Дата06.10.2016
Размер134.41 Kb.

Свиридов А.П.,

д.т.н., профессор РГСУ,

Лауреат Международной

Почетной премии Эдуарда Рейна (ИТ)

Статистическая теория обучения: модели, методы, алгоритмы и диалоговые системы их реализации
1. Актуальность и краткое обоснование соответствия решаемой проблемы и целей исследований приоритетным задачам социально-экономического развития Российской Федерации

Стратегией развития науки и инноваций в Российской Федерации до 2015 года, Концепцией модернизации российского образования до 2010 года, Стратегией развития информационного общества в Российской Федерации от 07.02.2008 с контрольными значениями показателей до 2015 года

выделены актуальные проблемы интеграции естественных, гуманитарных, социальных и технических наук. Этому направлению и посвящена представляемая статистическая теория обучения (СТО).
2. Основные научные достижения

2.1. Статистическая динамика знаний


Примечания:

1. Термин знание применяется для обозначения знаний, умений, навыков и компетенций.

2. Под обучаемыми в данной работе понимаются:

- учащиеся школ, студенты вузов и университетов, слушатели курсов подготовки, переподготовки и повышения квалификации,

- обслуживающий персонал технических и программных средств информационно-телекоммуникационных систем,

- персонал атомных, тепловых и гидроэлектростанций, транспорта,

- операторы химико-технологических и иных процессов и производств (в первую очередь операторы процессов и производств с “высокой ценой” ошибки),

- личный состав спасательных служб (напр., по оказанию первой медицинской и психологической помощи населению и организации взаимодействия),

- отдельные индивиды (население) для подготовки к поведению в случае неблагоприятных событий (проблемы безопасности и сокращения рисков).

2.1.1. Введены основные понятия и характеристики динамики знаний, в том числе интенсивности усвоения и забывания учебного материала, нестационарный и стационарный коэффициент профессиональной и оперативной профессиональной готовности обучаемого (оператора), два фундаментальных понятия: потоки учебного материала (поток знаний) L для разомкнутых и замкнутых сетей динамики знаний (СДЗ) и поток усвоения (восстановления) знаний A учебной дисциплины в виде наложения (суперпозиции) соответствующих потоков Li и Ai (iÎ(1,...,N)) для отдельных положений (типовых единиц деятельности=ТЕД) при учете их жизненных циклов Si и др. Аналогично определены поток заданий или поручений и поток выполнения заданий или поручений в других видах деятельности. Подобие учебной или познавательной деятельности и других видов деятельности позволяет использовать модели динамики знаний и при моделировании других видов деятельности.

2.1.2. Разработка модели обслуживаемой технической (технологической) или программной системы с учётом характеристик надёжности обслуживаемой системы с одной стороны и интенсивностей усвоения (восстановления) и забывания (сохранения) знаний с другой стороны. Она позволяет определить и исследовать влияние характеристик динамики знаний обслуживающего персонала на надёжность обслуживаемой системы.

2.1.3. Разработаны модели динами знаний темы (сложной единицы деятельности) с последовательной, параллельной, k-из-n- структурами и общей структурой.

2.1.4. Введено понятие загрузки обучаемого изучением учебного материала некоторой учебной дисциплины в виде отношения r=l/µ, где l и µ - интенсивности потоков учебного материала (потока знаний) и усвоения (восстановления) знаний по учебной дисциплине.

Подобно загрузке обучаемого учебной дисциплиной введена и загрузка работника иными видами деятельности в виде отношения интенсивности λ потока задач (функций или поручений) и интенсивности μ потока их выполнения.

2.1.5. Разработаны многомерные модели динамики знаний по нескольким учебным дисциплинам для двух случаев: отсутствие приоритетов и наличие относительных приоритетов. При этом общая загрузка обучаемого Rn усвоением положений учебного материала всех потоков знаний определяется в виде суммы загрузок по отдельным дисциплинам. Стационарный режим динамики знаний существует при выполнении естественного условия Rn<1.

2.1.6. Предложено определение сети динамики знаний (СДЗ) виде совокупности конечного числа этапов усвоения, контроля, диагностирования и других типов обработки знаний, в которой циркулируют положения учебной дисциплины или типовых единиц деятельности в соответствии с матрицей перехода от одного этапа к другому.

2.1.7. Разработаны модели замкнутых СДЗ и показано, что они могут быть использованы в качестве математических моделей при решении задачи обеспечения гарантированного качества профессиональной подготовки обучаемых, операторов (пользователей) по конечному числу положений учебной дисциплины или по выполнению конечного числа N задач. Одна из важных сфер применения: системы и процессы, в которых ошибки людей «стоят дорого” (атомные, тепловые, гидроэлектростанции, химико-технологические производства, системы подготовки по оказанию первой медицинской и психологической помощи, транспорт и др.).



Пример: Работу оператора (диспетчера) по навигации воздушного судна в полете можно представить в виде последовательности решения N задач во время полета

2.1.8. Сформулирована проблема оптимизации управления качеством подготовки, состоящая в синтезе стратегии управления случайным процессом, экстремизирующей (максимизирующей или минимизирующей) функционал цели или качества. Стратегия управления учебным процессом при заданной учебной программе определяется совокупностью правил для выбора объема и глубины изучения, повторения или восстановления знаний по учебному материалу, а также времени и способа усвоения, повторения или восстановления знаний.



К.Д. Ушинский: "Воспитатель, понимающий природу памяти, будет постоянно прибегать к повторениям не для того, чтобы починить развалившееся, но для того, чтобы укрепить здание и вывести на нем новый этаж".

2.1.9. Разработаны способы синтеза ряда оптимальных стратегии управления качеством подготовки с учётом в том числе экономических показателей (затраты на обучение, потери в случае ошибок персонала) и рисков недооценки и переоценки при компьютерном контроле знаний.


Стратегии пп. 2.1.9 реализованы в виде диалоговой системы «Планирование подготовки кадров”.

2.1.10. Разработаны методы оценки и сравнения количественных характеристик процессов усвоения и забывания и проверки соответствующих гипотез для макро- и микроуровней идентификации диаграмм научения (обучения) и ретенционных кривых. Методы п. 2.1.10 реализованы в виде диалоговой системы “Динамика знаний”.

2.1.11. Разработан байесовский подход к определению характеристик процессов усвоения и забывания знаний при наличии априорных данных о скорости протекания этих процессов у обучаемых или групп.

2.2. Идентификация и компьютерное моделирование социальных отношений в виде диад человек-человек.

Рубинштейн С.Л.: “… сердце человека всё соткано из его человеческих отношений к другим людям. То, чего он стоит, целиком определяется тем, к каким отношениям человек стремится, какие отношения к людям, к другому человеку он способен устанавливать. Поэтому отношения к другим людям составляют ядро подлинно жизненной психологии».

Рассмотрены:



  1. педагогические отношения: педагог-обучаемый, обучаемый-педагог, обучаемый-обучаемый,

  2. производственные отношщения (оценка успешности деятельности,…),

  3. отношение эксперт-испытуемый при психологической диагностике и определении профпригодности,

  4. отношение эксперт-обучаемый (пользователь) для адаптации интерфейса и диалога компьютерной обучающей или поддерживающей системы, системы виртуальной реальности и мультимедийного общения к индивидуальным характеристикам и потребностям обучаемого и др.

Различие этих отношений состоит в «пространстве” входных и выходных признаков, а общее свойство – в оценке латентных свойств одного человека другим в одной из шкал измерения. Эта общность позволила рассмотреть их единое математическое описание на примере отношения педагог-обучаемый при контроле знаний или сертификации качества подготовки специалистов. Предложены три типа моделей: cтатические, динамические модели и модели на основе соединения прошлого (предыстории), настоящего и будущего (трех ”темпомиров”).
2.2.1. Стандартизированные (тестовые) методы контроля знаний и сертификации качества профессиональной подготовки

2.2.1.1. Для анализа и количественной оценки простых (одноступенчатых) планов компьютерного контроля знаний, используемых в современных интеллектуальных обучающих и поддерживающих системах и системах сертификации качества профессиональной подготовки специалистов (Microsoft, IBM, Novell, Oracle, SAP, HP и др.) и предложенных более эффективных двухступенчатых, многоступенчатых и последовательных планов, введены основные характеристики: 1) оперативные характеристики, отображающие зависимости вероятностей выставления различных оценок от состояния знаний обучаемого, 2) риски недооценки и переоценки знаний обучаемого, 3) математическое ожидание оценки (или реализация психометрической функции педагога (учителя)) посредством интеллектуальной обучающей или поддерживающей системы, 4) математическое ожидание числа вопросов/задач, которые необходимо задать до выставления оценки и прекращения контроля, и др.,

2.2.1.2. Разработаны метод учета различных источников искажений в измерениях (напр., при использовании выборочного способа ввода ответов) и на его основе критерий применимости компьютерных систем для контроля, позволяющий синтезировать планы контроля при наличии искажений, равносильные с точки зрения того или иного критерия (напр., рисков недооценки и переоценки знаний обучаемого) планам при отсутствии таких ошибок.

2.2.1.3. Разработаны способы анализа и синтеза (в том числе графо-аналитического) одно- и двухступенчатых и последовательных планов двух-, четырех- и пятибалльного контроля знаний по альтернативным, качественным и количественным признакам для двух случаев: значения признаков измеряются с искажениями и без искажений.

2.2.1.4. Разработаны методы синтеза одноступенчатых и последовательных планов контроля знаний для более раннего момента времени по требованиям для более позднего момента времени (с учетом забывания учебного материала).

2.2.1.5. Разработаны методы синтеза одноступенчатых и последовательных планов контроля для двухуровневого анализа системы образования, когда решение о качестве подготовки по учебной дисциплине, специальности или направлению подготовки принимается на основе проверки выборки студентов/обучаемых по одноступенчатому, двухступенчатому или последовательному плану с ошибками в распознавании истинности ответов.

2.2.1.6. В рамках сотрудничества с НИИ Общей и Педагогической психологии (проф. Гуревич К.М. и к.псих.н. Зархин В.Г.) экспериментально установлено: а) число правильных ответов на вопросы/задачи выборки не зависит от лабильности и силы нервной системы, б) время обдумывания в значительной степени определяется лабильностью нервной системы. Влияние силы значимо, но не велико. Обучаемый с инертной и слабой нервной системой требует больше времени на обдумывание по сравнению с обучаемым с другими типами нервной системы. Вследствие этого обучаемые с разными типами нервной системы в пределах некоторого установленного времени успевают ответить на различное число вопросов/задач. Ограничение времени обдумывания может приводить и приводят при этом к искажению результатов контроля. Для компенсации этих различий автором предложено использование переменных и мотивирующих планов стандартизированного контроля при различных объемах выборок, равноценных, напр., с точки зрения рисков недооценки и переоценки знаний или психометрической функции педагога, реализуемой адаптивной обучающей системой.

2.2.1.7. Предложенные способы анализа и синтеза планов пп. 2.2.1.1-2.2.1.6 реализованы в виде диалоговой системы: “Анализ и синтез планов компьютерного контроля знаний”.

2.2.1.8. Разработаны способы синтеза оптимальных безусловных и условных алгоритмов компьютерного диагностирования состояния знаний обучаемых методами динамического программирования и ветвей и границ на основе таблиц покрытия учебного материала контрольными заданиями.
2.2.2. Основы теории адаптивных компьютерных обучающих и поддерживающих систем, систем виртуальной реальности и мультимедийного общения
2.2.2.1. Нечеткие модели и системы идентификации и компьютерного моделирования отношений человек-человек

Заде Л.: “Неэффективность обычных компьютеров при работе с гуманистическими системами является выражением принципа несовместимости, согласно которому высокая точность несовместима с большой сложностью”.

Клир Дж.: “Одним из способов работы с очень сложными системами, возможно, самым важным, является допущение неточности при описании данных”.
Для учета недостоверности и нечеткости первичных измерений предложен подход к математическому моделированию отношений человек-человек на основе нечетких продукционных моделей и систем. Разработаны способы структурной и параметрической идентификации нечеткой статической и динамической моделей отношений человек-человек (напр., отношения педагог-обучаемый) на основе обучающей последовательности студентов, предварительно оцененных (или классифицированных) педагогом/
2.2.2.2. Логико-лингвистические методы обучения адаптивных
обучающих и поддерживающих систем
.

Для учёта и текстовой (нечисловой) информации относительно оцениваемого обучаемого (пользователя) предложены логико-лингвистические методы обучения компьютерных обучающих и поддерживающих систем, систем виртуальной реальности и мультимедийного общения на основе формальных грамматик и соответствующих языков.


2.2.2.3. Нейросетевые и нейрокомпьютерные методы идентификации и компьютерного моделирования отношений человек-человек

2.2.3.1. Разработаны концепция и методы обучения компьютерных обучающих, контролирующих и поддерживающих систем, систем виртуальной реальности и мультимедийного общения для двух режимов

а) обучение с поощрением (обучение по примерам, supervised learning) на основе предварительного выделения классов (стереотипов, характеров) обучаемых, пользователей, испытуемых и

б) обучение без поощрения (автоматическая классификация, unsupervised learning).

Система адаптации в этих режимах состоит из наблюдателя сцен и последующего классификатора. Для реализации первого режима обучения предложены многослойные персептроны, вероятностные нейронные сети, сети Хопфилда и методы планирования педагогических факторных экспериментов (полный факторный эксперимент,…), а для реализации второго режима – сети ART, Кохонена и методы синтеза одномерных и многомерных параметрических рядов качества подготовки.

2.2.2.3.2. Разработаны нейросетевые методы идентификации нелинейных динамических моделей отношений человек-человек (напр., педагог-обучаемый), учитывающих предысторию оцениваемого обучаемого, на основе динамических нейронных сетей с внешней и внутренней динамикой

2.2.2.3.3. Разработаны нейросетевые методы реализации психодиагностических тестов (на примере тестов Большой пятерки и Айзенка).



2.2.2.4. Гибридные (продукционные нейро-нечеткие) модели и системы.

    2.2.2.4.1.Предложен и реализован принцип гибридизации применительно к рефлексии, идентификации и компьютерному моделированию отношений человек-человек, состоящий в объединении двух и более разнородных информационных технологий в виде кооперративных и гибридных (продукционных нейро-нечетких) систем, объединяющих достоинства и устраняющих (или смягчающих) недостатки отдельных информационных технологий.

    2.2.2.4.2. Разработаны и обоснованы способы применения ряда известных топологий гибридных (продукционных нейро-нечетких) систем: NNFLC (Neural Network-based Fuzzy Logic Control), NEFCON (NEural Fuzzy CONtroller), NEFCLASS (NEural Fuzzy CLASSifikation), ANFIS (Adaptive-Network-based Fuzzy Inference System) для: 1) контроля качества образования, 2) адаптации диалога компьютерной обучающей или поддерживающей системы к индивидуальным характеристикам и потребностям обучаемых или пользователей (формирования персональных образовательных траекторий), 3) идентификации и реализации психодиагностических тестов (на примере определения типа темперамента по Айзенку).





3. Практические достижения

3.1. Модели и методы статистической динамики знаний и стратегии управления качеством подготовки внедрены в ряде университетов, научно-исследовательском химико-технологическом институте на базе автоматизированного обучающего комплекса АОК-2.

Результаты: сокращение времени поиска неисправностей и доли ошибочных действий персонала.

3.2. Стандартизированные (тестовые) методы контроля знаний реализованы в контролирующих комплексах К-58 и К-59 для приёма экзаменов по правилам дорожного движения (свыше 500000 человеко-проверок).

3.3 Предложенные двухступенчатые и последовательные планы контроля знаний обеспечивают сокращение числа задаваемых вопросов на 30-40% по сравнению с используемыми в настоящее время простыми одноступенчатыми планами.

3.4. Предложенные условные алгоритмы диагностирования состояния знаний обучаемых обеспечивают уменьшение времени диагностирования примерно на 40% по сравнению с безусловными алгоритмами.

3.5. Разработанные нечеткие, логико-лингвистические, нейросетевые и гибридные (нейро-нечеткие продукционные) модели и системы позволяют идентифицировать и реализовать более сложные отношения человек-человек (более сложные модели деятельности мозга). Экспериментально установлено повышение степени совпадения решений (оценок) педагога (эксперта) и обученной нейронной или гибридной (нейро-нечеткой) системы примерно на 15% по сравнению со стандартизированными методами.

3.6. Стандартизированные, нейросетевые и нейро-нечёткие технологии компьютерного контроля реализованы во многих компьютерных учебных курсах: администрирование сетевых систем, Web-технологии, локальные вычислительные сети, нейросети и нейрокомпьютеры и др.

3.7. Стандартизированные, нечёткие, нейросетевые и гибридные продукционные нейро-нечёткие технологии и системы контроля, адаптации диалога компьютерных систем к индивидуальным характеристикам и потребностям обучаемых/пользователей, психологической диагностики включены в программы и лабораторные практикумы учебных дисциплин “Нейросети и нейрокомпьютеры”, “Системы искусственного интеллекта”, “Нейронные сети”, “Нейрокомпьютеры”, “Нейро-нечёткие технологии и системы ” и др.

3.8. Основные результаты СТО внедрены в НИИ проблем высшей школы, Исследовательском центре проблем качества подготовки специалистов, внедрены и развиты в рамках проекта № 4972 «Гуманизация и интеллектуализация информационных технологий и систем социального, гуманитарного и политехнического образования» аналитической ведомственной целевой программы “Развитие научного потенциала высшей школы (2009-2011 годы)”, подраздел 2.1.1: “ Проведение фундаментальных исследований в области естественных наук ”.



4. Соответствие федеральному и мировому уровням

4.1. По предложенной концепции построения и гармоничного развития системы социального, гуманитарного и политехнического образования и по статистической динамике знаний автору не стали известны аналоги в отечественной и зарубежной литературе. Один из критериев автора в виде вероятности сохранения знаний в интервале [0,t) по вопросу, случайно выбранному из вопросов k групп с различными интенсивностями забывания, был использован позднее в системе АСОЛИЯ для обучения лексике английского языка [Расстригин Л.А. и Эренштейн М.Х.].

4.2. По стандартизированному (тестовому) контролю лишь биномиальная модель для вероятности допущения m неправильных ответов при задании n вопросов/задач применительно к одноступенчатым планам контроля была предложена независимо друг от друга автором, Лордом Ф.М. и Новиком М.Р. [Lord F.M., Novik M.R], Клауером К.Й. [Klauer K.J.], Фрикке Р. [Fricke R.] Шотом Ф. [Schot F.], Фишером Г.М. [Fischer G.M. и Милльманном Д. [Millmann D. в предположении, что ответы обучаемого оцениваются безошибочно. Эта модель для общего случая оценки ответов с искажениями (напр., при использовании выборочного способа ввода ответов) была развита в работах автора. Все другие результаты по стандартизированным (тестовым) методам контроля принадлежат автору.

4.3. Концепция реализации адаптивных обучающих и поддерживающих систем на основе предварительного выделения классов (стереотипов, характеров) обучаемых/пользователей была впервые разработана автором. Позднее она была реализована в работах Рича Е. [Rich E.], Виленски Р. [WilenskyR.], Бодендорфа Ф. [Bodendorf F.], Кобзы А. [Kobsa A.], Мертенса Р. [Mertens R. и др. Разработка нечетких, логико-лингвистических, нейросетевых и гибридных (нейро-нечетких) моделей, технологий и систем реализации отношений человек-человек принадлежит автору.


5. Публикации: всего – 357, в т.ч. монографии - 6, учебные пособия - 31,

авторские свидетельства - 3, статьи на немецком и английском языках - 24.





База данных защищена авторским правом ©infoeto.ru 2016
обратиться к администрации
Как написать курсовую работу | Как написать хороший реферат
    Главная страница