Разработка моделей и алгоритмов автоматизации процессов адаптивного обучения специалистов для предприятий, страница 2
Описание файла
PDF-файл из архива "Разработка моделей и алгоритмов автоматизации процессов адаптивного обучения специалистов для предприятий", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве МПУ. Не смотря на прямую связь этого архива с МПУ, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "диссертации и авторефераты" в общих файлах, а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 2 страницы из PDF
В каждом из пакетов должны бытьзаложены алгоритмы собственной адаптации.Вторая глава содержит описание основных задач, принципов и алгоритмовинтеллектуального анализа данных, применение теории цепей Маркова к системамобучения с использованием дистанционных образовательных технологий.К основным задачам в сфере открытого образования, решаемым в процессеинтеллектуального анализа данных, относятся классификация, кластеризация, анализвзаимосвязей, регрессия, прогнозирование, анализ последовательностей иотклонений.
В целом, этапы реализации проектов, связанных с интеллектуальныманализом данных в различных областях схожи, и проходят одни и те же этапы:формулировка бизнес-проблемы, сбор данных, очистка и преобразование данных,создание и оценка модели. Для решения описанных выше общих задач используютсясоответствующие алгоритмы интеллектуального анализа данных – механизмы,создающие модели интеллектуального анализа данных: упрощенный алгоритмБайеса, деревья решений, алгоритм анализа временных рядов, алгоритм кластерногоанализа, алгоритм кластеризации последовательностей, алгоритм анализавзаимосвязей, алгоритмы нейронных сетей.
Результаты решения данных задачоказывают влияние на процессы принятия решений и способны выступать в качествевыходных данных в процессе адаптации систем открытого обучения при подготовкеспециалистов для полиграфических предприятий.Используемый сейчас процесс обучения представляется в виде заранееопределенной последовательности изучения дисциплин и материалов, недопускающей никаких изменений и перестановок. В процессе обучения специалистовдляпредприятийоптимальнымявляетсяприменениедистанционныхобразовательных технологий и дисциплины, изучаемые слушателем, формируютпоследовательность случайных событий или состояний.
Для описания такойстратегии обучения можно представить его на основе модели цепи Маркова.В третьей главе диссертации рассматриваются особенности обученияспециалистов для полиграфических предприятий, производится разработкаматематических моделей подходов к образованию и учету успеваемости,предлагается расчет погрешности оценивания знаний при использованииклассического подхода к обучению, разрабатываются адаптивная комплексная оценкауспеваемости «Рейтинг слушателя» и подход к построению адаптивныхиндивидуальных стратегий обучения, а также дополнение к стандарту построенияэлектронных изданий SCORM.Обучение специалистов для полиграфических предприятий имеет рядособенностей, связанных как с общими принципами обучения и адаптации взрослыхлюдей, так и с профилем подготовки. Изменения в полиграфии происходят постоянно7и связаны с появлением новых технологий и материалов, усложнениемтехнологического оборудования, ужесточением требований к качеству продукции.
Внастоящее время подготовка специалиста занимает до 6 лет, в зависимости от формыобучения. Получить работу по специальности по окончании ВУЗа крайне сложнодаже при наличии опыта работы на полиграфических предприятиях. Поэтомуосновной задачей подготовки специалистов для полиграфической отрасли являетсяобучение современным полиграфическим технологиям на современной технике сиспользованием новейших методов и подходов в профессиональном образовании.Это означает что, преподавателям, тренерам, менеджерам предприятий необходимосистематически учиться, либо переучиваться, приобретать новые навыки и умения,развивать свою компетентность для обучения слушателей и подчиненных.
В общемслучае, данная проблема рассматривается, как обучение взрослых людей.На данный момент применяются различные системы оценки знаний,номинальные шкалы оценки и традиционной считается оценка по пятибалльнойшкале. Далее такой подход к оцениванию будем называть «классическим». Прииспользовании классических форм итогового контроля, таких как экзамен или зачет,данная оценка обеспечивает требуемую точность и достоверность результатов.Самым простым способом определения итоговой оценки за отчетный период являетсявычисление среднего арифметического значения из последних оценок по каждомусданному экзамену. Таким образом, в расчете итоговой оценки появляютсянеточности, в связи с учетом не всех полученных оценок, которые находятся вконечном множестве номинальной шкалы оценивания и являются в большей степенисубъективными.
На основе количественных показателей успеваемости вычисляетсякачественная оценка слушателя.Модель существующего подхода к обучению и определению успеваемостиможно представить следующим образом. Пусть O – итоговая оценка слушателя.Тогда множество признаков, характеризующих состояние системы образования,выглядит следующим образом:*+где{} – количественная оценка за прохождение̅̅̅̅̅итогового испытания;-, гдеU – номинальная шкала оценивания с областью определения ,– минимальная и максимальная положительные оценки номинальнойшкалы;D – множество всех дисциплин, изучаемых слушателем;– множество дисциплин, участвующих в формировании итоговойоценки, например, с формой итогового контроля «экзамен»;* +() – множество всех попыток сдачи итогового испытания;Тогда, математическая модель современного подхода к обучению иопределению успеваемости описывается следующей системой:()()̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅()̅̅̅̅̅{̅̅̅̅̅̅̅̅̅̅8Аналитически итоговая оценка при существующем подходе к образованиювычисляется следующим образом:∑()̅̅̅̅̅,- – количество оценок, соответствующихгдеконкретному значению по номинальной шкале оценивания.При использовании экспертного метода оценивания в системах открытогообразования возникают различного рода неточности объективного и субъективногохарактера.
Самой значительной неточностью является погрешность при округлениирезультатов тестирования в интервалах оценивания. Для проведения исследованийбыла использована база данных результатов тестирований Института открытогообразования МГУ Печати им. Ивана Федорова (ИОО МГУП). Результатытестирований сгруппированы в интервалах оценивания, заданных экспертами приразработке тестовых заданий.Таблица 1Распределение результатов тестирования и оценок по интервалам оцениванияЗначениеНомерКоличественная оценка Качественная оценка поинтерваловинтервалапо номинальной шкаленоминальной шкалеоценивания1[0;55)2неудовлетворительно2[55;70)3удовлетворительно3[70;85)4хорошо4[85;100]5отличноПо вхождению полученной оценки за тестирование выставляетсясоответствующая оценка по номинальной шкале оценивания. В данном случае по 5балльной номинальной шкале.
В табл. 2. приведено распределение результатовтестирований по интервалам. К прочим относятся результаты, полученные безиспользования процесса тестирования: курсовые работы, рефераты, контрольныеработы и пр., а также незавершенные, либо прерванные сеансы тестирования. Такимобразом, для исследования были выбраны все положительные результатытестирований в количестве 275 515, что составляет 56,3% от общего числа записей вбазе данных ИОО МГУП. Для определения этой погрешности была использованаметодика расчета числовых характеристик эмпирических распределений.Таблица 2Количество положительных результатов тестирований по интерваламКоличестворезультатовтестированияПроцент от общегочисла результатовтестирования, %1204 40141,793279 53816,2633106 40221,755Номер интервала оценивания9Окончание таблицы 2489 57518,315Прочие результаты9 1661,874Итого положительныхрезультатов:275 51556,333Всего отрицательныхрезультатов213 56743,667Всего:489 082100Средняя погрешность при выставлении оценки в системе открытогообразования представляет собой среднее значение из средних квадратическихотклонений каждого из возможных результатов тестирования на каждом интервалеоценивания:∑где– среднее квадратическое отклонение на интервале j;R – количество интервалов с положительными оценками по номинальнойшкале.Среднее квадратическое отклонениедля интервала j представляет собойсреднее значение из средних квадратических отклонений для каждого из возможныхрезультатов тестирования на интервале j:∑где – среднее квадратическое отклонение результата тестирования k;O – количество возможных оценок в интервале j;– минимальная и максимальная границы интервала соответственно.Среднее квадратическое отклонениедля несгруппированных данныхвычисляется следующим образом:√∑(̅)где – результат i-ого тестирования;̅ – среднее арифметическое между минимальным и максимальнымзначениями в интервале оценивания j;n – количество результатов тестирования с оценкой k.В табл.