Секция 4 Учебники и учебные пособия

Вид материала

Содержание

Возможности применения инструментальной интеллектуальной программной системы для генерации заданий единого государственного экза
Вологодский государственный технический университет.
Intersubject test construction
Московский Государственный Текстильный Университет им. А.Н. Косыгина
Electronic complex for organization of students’ independent study
Электронный комплекс для организации самостоятельной работы студентов
The quality of student science within the framework of e-learning
Качество студенческой науки в условияхИнтернет-обучения
Контроль знаний в учебном процессе вуза на основе нейросетевых технологий

Подобный материал:

1 2 3 4 5 6 7 8 9 10 ... 19

ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИНСТРУМЕНТАЛЬНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ПРОГРАММНОЙ СИСТЕМЫ ДЛЯ ГЕНЕРАЦИИ ЗАДАНИЙ ЕДИНОГО ГОСУДАРСТВЕННОГО ЭКЗАМЕНА

Сергушичева А.П., Швецов А.Н.

Вологодский государственный технический университет.

На современном этапе среди эффективных методов оценки образовательных достижений заметная роль отводится тестированию. Важнейшим показателем качества образования является объективная оценка учебных достижений учащихся, осуществляемая с помощью стандартизированных процедур. Централизованное тестирование является важной составляющей единого государственного экзамена, переход к которому осуществляется в рамках образовательной реформы.

Основной целью централизованного тестирования является предоставление субъектам образования независимой объективной информации об образовательных достижениях. Эта информация может быть использована при аттестации обучающихся на всех уровнях общего и профессионального образования, аттестации образовательных учреждений, конкурсном отборе в профессиональные образовательные учреждения, оценке состояния и выявлении тенденций развития системы образования, принятии управленческих решений. Информация об образовательных достижениях может быть также использована обучающимися и их родителями в защите своих прав на получение образования по качеству не ниже установленного государством в нормативных документах и обществом для защиты от появления некомпетентных обладателей аттестатов, дипломов и прочих документов об образовании.

Особенностью централизованного тестирования, отличающей его от любого другого вида тестирования, являются массовость проверки и использование единого инструментария, на основе которого сравниваются результаты обследуемой совокупности.

В результате имеющегося опыта проведения тестирования в нашем университете выявились следующие недостатки массового тестирования: ограниченное число вариантов позволяет изучить содержание заданий заранее с помощью репетиторов; подготовить шпаргалки с готовыми ответами; получить ответы по пейджеру и т.д. Кроме того, тестирование абитуриентов на знание стандартного материала школьной программы недостаточно, так как не выявляет их способности к творческому мышлению, что очень важно при подготовке технического специалиста высокого уровня.

Исследования авторов показывают, что современные средства позволяют решить указанные проблемы с помощью индивидуального для каждого абитуриента варианта тестов. Теоретически метод построения тестовых систем [1] основан на формализации процессов генерации тестов средствами канонических исчислений Э. Поста, позволяет формировать структуру и содержание прикладной тестовой системы, определяя лингвистическое содержание конкретных тестов с помощью локальных контекстно-свободных грамматик. Данный метод предоставляет разработчику возможности автоматизированного создания практически неограниченного спектра прикладных программно-информационных тестирующих систем.

К настоящему времени разработана третья версия инструментальной интеллектуальной программной системы (ИИПС), позволяющей в автоматизированном режиме генерировать прикладные программно-информационные системы (ППИС), ориентированные на конкретную модель интеллекта или нацеленные на анализ определенных множеств факторов [2]. Применение ИИПС позволяет создавать на базе современной вычислительной техники прикладные системы с предъявлением стимульного материала в различных формах: визуального, звукового, тактильного сигналов.

Проведенные эксперименты по генерации вопросов по типу единого государственного экзамена (математике, физике, русскому языку) подтвердили адекватность применяемых методов и средств.

В частности грамматика вида

{

<признак>::=

Свободная грамматика

<постоянная_часть_подтипа>::=

Первый закон термодинамики.

<переменная_часть_подтипа>::=

Если в некотором процессе газу сообщено Дж теплоты, а газ при этом совершил работу Дж, то внутренняя энергия газа 1) увеличилась на Дж 2) уменьшилась на Дж 3) увеличилась на Дж 4) уменьшилась на Дж 5) увеличилась на Дж

<варианты_ответа>::=

3

<описание ответа>::=

dU = Q+Aвнеш = Q-A

<описание грамматики>::=

::=600|700|800|900

::=100|150|200|250|500|550

::=+

::=-

::=-

::=

::=

}

порождает следующий текст задания:

1) Первый закон термодинамики.

Если в некотором процессе газу сообщено 900 Дж теплоты, а газ при этом совершил работу 200 Дж, то внутренняя энергия газа 1) увеличилась на 1100 Дж 2) уменьшилась на 700 Дж 3) увеличилась на 700 Дж 4) уменьшилась на 200 Дж 5) увеличилась на 900 Дж

Ответ: 3

Объяснение ответа: dU = Q+Aвнеш = Q-A.

Разработанные грамматики могут использоваться для обучения и тренировки учащихся, при этом можно сформировать множество индивидуальных, не пересекающихся между собой вариантов.

Литература:

Швецов А.Н. Автоматизация процессов развития интеллектуальных способностей в компьютерных средах/Науч. труды 2-й Междунар. науч.-практ. конф. "Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права". Кн. "Информатика" – М.: МГАПИ, 1999. – С. 181-187.
Сергушичева А.П., Швецов А.Н. Возможности инструментальной интеллектуальной системы для генерации прикладных тестовых задач / Информация –Коммуникация – Общество (ИКО – 2002): Тезисы докладов и выступлений Междунар. Научн. конф. 12-13 ноября 2002 – СПб.: Изд-во СПб ГЭТУ «ЛЭТИ», 2002. – C.255-257.

Организация научно-исследовательской деятельности студентов в вузах России. М. 2002Г., ГУУ.
ev.newmail.ru/
onalacademies.org/resdoc/
.ac.uk/departments/cv/wedc/garnet/actiwp2.phpl

Knowledge Control in Educational Process of Higher Educational Institution Based on Neuronetworking Technologies

Shirshov E. V.

Arkhangelsk State Technical University, Arkhangelsk

Abstract

Technique of knowledge control and application of adaptive teaching system in the educational process of higher educational institution based on neuronetworking technologies is analyzed.

Контроль знаний в учебном процессе вуза на основе нейросетевых технологий

Ширшов Е. В.

Архангельский государственный технический университет

Одним из актуальных направлений развития науки в настоящее время является интеллектуализация информационных технологий. Специалист, применяя компьютерные технологии, может не только получать сведения на основе обработки данных, но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов.

Рассматривая современный учебный процесс можно отметить, что при резком увеличении объема информации усложняется основная задача преподавателя – управление обучением с использованием обратной связи на основе детальной диагностики знаний и умений обучаемых, выявления причин возникновения ошибок и разработки способов их устранения.

Наиболее важным свойством человеческого интеллекта в существующих условиях является способность принимать правильные решения в обстановке неполной и нечеткой информации. Построение моделей приближенных рассуждений человека и использование их в компьютерных системах представляет сегодня одну из важнейших проблем науки.

Нечеткое управление (рассматривая систему передачи знаний «преподаватель – студент» в образовательном процессе вуза) оказывается особенно полезным, когда технологические процессы являются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. Нечеткая логика, в основном, обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности [1].

Очевидно, что решение специальных задач требует специальных знаний. Поэтому, основной целью создания адаптивной обучающей системы (АОС), разрабатываемой на кафедре Автоматизации обработки экономической информации является повышение эффективности учебного процесса за счет оптимизации способа обучения, так как он определяется преподавателем достаточно субъективно, а значит и не всегда эффективно. В качестве критерия эффективности мы рассматриваем глубину усвоения предмета обучаемым, полноту и прочность полученных им знаний, уровень изученности теоретического материала и приобретения практических навыков.

Для оценки выбранных параметров, весь теоретический материал разбивается на отдельные дидактические элементы (карточки), по каждому из которых составлены контрольные вопросы (тест), отражающие степень усвоения студентом полученных знаний.

Результаты тестирования служат исходными данными для системы анализа эффективности обучения, ядром которой является искусственная нейронная сеть. Выбор данного инструмента анализа объясняется его исключительно богатыми возможностями, и в частности изначально нелинейной природой формируемых моделей, что как нельзя лучше подходит для процессов обучения.

Первым шагом является выбор соответствующей модели поставленной задачи. Рассмотрим подробнее процесс проектирования искусственной нейронной сети (ИНС), который состоит из двух этапов:

- выбор типа (архитектуры) сети;

- подбор весов (обучение) сети.

На первом этапе следует выбрать следующее: какие нейроны будут использоваться (число входов, передаточные функции); каким образом следует соединить их между собой; что взять в качестве входов и выходов сети.

Наиболее популярные и изученные архитектуры – это многослойный персептрон, нейросеть с общей регрессией, сети Кохонена и другие.

На втором этапе следует «обучить» выбранную сеть, т.е. подобрать такие значения ее весов, чтобы сеть работала нужным образом. В используемых на практике нейросетях количество весов может составлять несколько десятков тысяч, поэтому обучение – сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса сети определенным образом.

В результате тестирования мы остановились на многослойном персептроне, как наиболее подходящей архитектуре сети при заданных условиях эксперимента. Многослойный персептрон характеризуется расположением нейронов на разных уровнях в многослойной сети, причем, помимо входного и выходного слоев, имеется еще, как минимум, один внутренний, т.е. скрытый, слой [2].

Учитывая, что выходные сигналы, формирующиеся скрытыми и выходными нейронами, лежат в интервале их активационных функций, необходимо таким образом нормализовать входные сигналы, чтобы они принадлежали области значений активационной функции, которая для выбранной структуры нейронной сети принадлежит интервалу [0, 1].

В качестве выхода искусственной нейронной сети может выступать любой критерий оценки знаний, принятый в процессе обучения.

Для обучения нейронной сети использовался один из самых распространенных алгоритмов обучения – алгоритм обратного распространения ошибки (back propagation), с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойной нейронной сети. Принятый алгоритм обучения нейронной сети с помощью процедуры обратного распространения ошибок подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных также и целевые выходные образы (алгоритм, пользующийся подобной концепцией, иначе называют алгоритмом обучения с учителем). Для его успешного функционирования необходимо наличие эксперта, определяющего на предварительном этапе критерии алгоритма обучения нейронной сети, такие как количество эпох, минимальные уровни ошибок и т.п.

Во время обучения искусственной нейронной сети происходила настройка параметров модели для дальнейшего использования. Основной формой являлось управляемое обучение, когда для каждого набора данных, подающегося в процессе обучения на вход сети, существовал известный выходной набор, при этом все исходные данные разбивались на две категории:

- используемые для обучения сети;

- используемые для тестирования полученной модели.

В результате обучения ИНС, каждый нейрон входного слоя получает определенный вес, отражающий степень влияния данного параметра на конечный результат. Предполагая, что наиболее важные элементы теоретического курса получают более высокие оценки, можно модифицировать последовательность изложения теоретического материала на основании этой зависимости (вес – значимость входных данных).

Таким образом, основная цель использования ИНС в данной АОС заключалась в оценке значимости каждого элемента банка теоретических материалов.

Представленный в данной работе подход к моделированию процесса обучения отражает накопленный кафедрой Автоматизации обработки экономической информации опыт по разработке прикладных обучающих систем. На основании проведенных исследований можно сделать следующие выводы:

Существует принципиальная возможность применения искусственных нейронных сетей при разработке автоматизированных обучающих систем;

Определение неявных закономерностей в теоретическом материале на основе весовых коэффициентов способно улучшить восприятие теоретического материала в целом.

Литература:

Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. – М.: Издательство Физико-математической литературы, 2001. – 224 с.
Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 334 с.

Blog

Секция 4 Учебники и учебные пособия

Содержание