50273 (Экспертная система прогнозирования успеваемости студентов в ВУЗах), страница 2

Одним из способов представления знаний является семантическая сеть. Изначально семантическая сеть была задумана как модель преставления структуры долговременной памяти в психологии, но в последствии стала одним из основных способов представления знаний в инженерии знаний.

В основе сетевых моделей представления знаний лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними. В отличие от продукционных эти модели более наглядны, поскольку любой пример можно представить в виде ориентированного (направленного) графа, вершины которого - понятия, а дуги - отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения - это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит" и т.п. Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

1. Класс - элемент класса.

2. Свойство – значение.

3. Пример элемента класса.

Традиционно в представлении знаний выделяют логические модели, основанные на классическом исчислении предикатов первого порядка, когда предметная область или задача описывается в виде набора аксиом. Основное преимущество использования логики предикатов для представления знаний заключается в том, что обладающий хорошо понятными математическими свойствами мощный механизм вывода может быть непосредственно запрограммирован. С помощью этих программ из известных ранее знаний могут быть получены новые знания.

1. Механизмы логического вывода

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Механизм выводов связывает знания .

Два способа использования продукционных правил:

- прямая цепочка рассуждений;

- обратная цепочка рассуждений.

Первый предполагает обработку информации в прямом направлении (метод сопоставления), когда образцом для поиска служит левая часть продукционного правила — условие, то есть задача решается в направлении от исходного состояния к целевому . Это соответствует стратегии «от данных к цели» или стратегии управления данными.

При втором подходе обработка информации осуществляется в обратном направлении — метод «генерации» или выдвижения гипотезы и ее проверки (стратегия «от цели к данным»).

Пример:Имеется фрагмент БЗ из двух правил:

П 1 : ЕСЛИ «отдых - летом» и «человек - активный», ТО «ехать в горы».

П 2 : ЕСЛИ «любит солнце»,«отдых летом».

Предположим в систему поступили данные: «человек - активный» и «любит солнце».Прямой вывод: исходя из данных, получить ответ:

Шаг 1. Пробуем П 1 не работает - не хватает данных «отдых - летом».

Шаг 2. Пробуем П 2 , работает, в базу поступает факт «отдых - летом». 2-й проход:

Шаг 3. Пробуем П 1 , работает, активируя цель «ехать в горы», которая и выступает, например, как совет, который дает система.

Обратный вывод: подтвердить выбранную цель при помощи имеющихся правил и данных:

Шаг 1. Цель - «ехать в горы»:

становятся новой целью, и имеется правило, где она в правой части.

Шаг 2. Цель «отдых летом»:

правило П 2 подтверждает цель и активизирует ее. 2-й проход:

Шаг 3. Пробуем П 1 , подтверждается искомая цель.

Выводы по разделу 1

Формализованные экспертный систем являются одним из наглядных методов решения задачи прогнозирования результатов сдачи сессии, на основе анализа текущей успеваемости. Поэтому, построение адекватных моделей, а также разработка методов и алгоритмов, позволяющих установить соответствие между параметрами математических моделей и реальными системами, является актуальной научно-прикладной задачей

РАЗДЕЛ 2. ПОСТРОЕНИЕ ПРОДУКЦИОННОЙ МОДЕЛИ БАЗЫ ЗНАНИЙ

1. Обоснование метода

Для данной экспертной системы была выбрана продукционная модель построения базы знаний, потому что она являются наиболее наглядным средствами представления знаний. Она близка к логическим моделям, что позволяет организовывать на ее базе эффективные процедуры вывода, и в то же время более наглядно (чем классические логические модели) отражает знания. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой логического вывода.

Модульность — отдельные продукционные правила могут быть добавлены, удалены или изменены в базу знаний независимо от других, кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.

Каждое продукционное правило — самостоятельный элемент знаний (локальный источник знаний), отдельные продукционные правила связаны между собой только через поток данных, которые они обрабатывают.

Простота интерпретации — «прозрачная» структура продукционных правил облегчает их смысловую интерпретацию.

Естественность — знания в виде «что делать и когда» являются естественны ми с точки зрения здравого смысла.

Недостатки продукционных систем проявляются тогда, когда число правил ста новится большим и возникают непредсказуемые побочные эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна оценка целостного образа знаний, содержащихся в системе.

1. Математическое представление продукционной модели

Психологические исследования процессов принятия решений человеком показали, что рассуждая и принимая решения, человек использует правила продукций, или продукционные правила. В общем случае продукционное правило можно представить в следующем виде:

i: S; L; A→B; Q (2.1)

где i — индивидуальный номер продукции;

S — описание класса ситуаций, в котором данная структура может использоваться;

L — условие, при котором продукция активизируется;

А→В — ядро продукции, например: «ЕСЛИ A1, A2,,..., Ап ТО В» . Такая запись означает, что «если все условия от A1 до Аn являются истиной, то В также истина» или же «когда все условия от A1 до Аn становятся истиной, то следует выполнить действие B»;

Q — постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В. Например, внести изменения в данные либо в саму продукцию.

В зависимости от количества условий и действий в соответствующих перечнях различают следующие типы правил: простое – одно условие и одно действие, составное – много условий и действий, фиксирующее – много условий и одно действие, разветвляющееся – одно условие и много действий.

В общем случае под условием понимается некоторое предложение — образец, по которому осуществляют поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска, — это могут быть реальные действия, если система управляющая, или заключение — вывод, представляющий собой новое знание, или некоторая цель.

1. Структура продукционной модели представления баз знаний

Для реализации продукционной модели было проведено анкетирование, в нем было предложено оценить студентам факторы, которые влияют на их выбор. Было запущено анкету (см. приложение 2).

Поскольку работать с 22 факторами очень сложно, нужно их сократить, применяем к данным метод анализа главных компонент. Применение метода главных компонент в пакете SPSS 15.0:

1. Выбираем в меню Analyze (Анализ) Data Reduction (Сокращение объема данных) Factor... (Факторный анализ). Откроется диалоговое окно Factor Analysis (Факторный анализ)

2. Переменные a1-a15 поместим в поле тестируемых переменных и ознакомимся с возможностями, предлагаемыми различными кнопками этого диалогового меню.

3. После щелчка по кнопке Descriptive Statistics (Дескриптивные статистики) оставим вывод первичных результатов, которые включают в себя первичные относительные дисперсии простых факторов, собственные значения и процентные доли объяснённой дисперсии.

В результате мы получили такие факторы:

Фактор 1 «Объяснение и понимание материала»:

• "Объяснение преподавателями нового материала понятно и доступно";

• "Воспринимать новый материал легко";

• "Преподаватели объясняют сложно и быстро";

• "Практических занятий достаточно, чтобы усвоить лекционную информацию";

• “Предметов много, большой поток информации";

• "Учиться в "ХАИ" сложно и неинтересно";

• "На самостоятельную обработку выносится больше информации, чем дается на лекциях";

• "Специальность не оправдывает надежды";

• "У меня сложились хорошие отношения с куратором".

Фактор 2 «Бытовые факторы»:

• "Обстановка в общежитии благосклонно влияет на учебу";

• "База школьной подготовки позволяет, хорошо учится в "ХАИ";

• "Выбор специальности правильный, набор предметов интересный";

• "Учеба для меня это самореализация ";

• "Я принимаю активное участие в общественной жизни факультета и университета".

Фактор 3 «Другие»:

• "Я поступил(а) в "ХАИ" потому что так хотели мои родители";

• "У меня сложились хорошие отношения с одногруппниками и студентами других групп";

• "Куратор практически не уделяет внимания нашей группе";

• "Я боюсь, что меня отчислять".

Фактор 4 «Личностные факторы»:

• "Лучшая мотивация в учебе, это похвала преподавателя";

• "Я учусь хорошо, для того чтобы получать стипендию";

• "Стипендия как вид мотивации меня не интересует";

• "Мне стыдно плохо учиться".

Теперь создадим таблицу сопряженности для первой стратегии, которую может выбрать студент (учится на отлично) и фактора «Объяснение и понимание материала» (teaching).

1. Выберем в меню Analyze (Анализ) Descriptive Statistics (Дескриптивные статистики) Crosstabs... (Таблицы сопряженности)

2. В диалоговом окне Crosstabs (Таблицы сопряженности) переменную а1 (учится на отлично) поместим в поле строк, а переменную teaching в поле столбцов и через выключатель Cells... (Ячейки) сделаем дополнительно запрос на вывод процентных значений по строкам.

В окне просмотра появится следующая таблица сопряженности:

Таблица 2.1

«Учится на отлично (0т 4.6 до 5) * Объяснение и понимание материала»

			"Объяснение и понимание материала"						Total
				1	2	3	4	1
	0	Count		35	35	37	33	140
		"Учится на отлично"(0т 4.6 до 5)		25,0%	25,0%	26,4%	23,6%	100,0%
		% within "Объяснение и понимание материала"		79,5%	79,5%	86,0%	86,8%	82,8%
	1	Count		9	9	6	5	29
		% within "Учится на отлично"(0т 4.6 до 5)		31,0%	31,0%	20,7%	17,2%	100,0%
		% within "Объяснение и понимание материала"		20,5%	20,5%	14,0%	13,2%	17,2%
Total		Count		44	44	43	38	169
		% within "Учится на отлично"(0т 4.6 до 5)		26,0%	26,0%	25,4%	22,5%	100,0%

Аналогичным образом мы проводи анализ первой стратегии и остальных факторов

Таблица 2.2

«Учится на отлично (0т 4.6 до 5) * Бытовые факторы»

			"Бытовые факторы":				Total
			1	2	3	4		1
	0	Count	37	34	37	32		140
		% within "Учится на отлично"(0т 4.6 до 5)	26,4%	24,3%	26,4%	22,9%		100,0%
		% within "Бытовые факторы":	84,1%	89,5%	84,1%	74,4%		82,8%
	1	Count	7	4	7	11		29
		% within "Учится на отлично"(0т 4.6 до 5)	24,1%	13,8%	24,1%	37,9%		100,0%
		% within "Бытовые факторы":	15,9%	10,5%	15,9%	25,6%		17,2%
Total		Count	44	38	44	43		169
		% within "Учится на отлично	26,0%	22,5%	26,0%	25,4%		100,0%

Таблица 2.3