Нечеткие модели и методы управления образовательной траекторией в системе переподготовки персонала промышленных предприятий icon

Нечеткие модели и методы управления образовательной траекторией в системе переподготовки персонала промышленных предприятий


Смотрите также:
Модели социальных сетей и нечеткие методы профориентации персонала в системе планирования...
Программно-инструментальные средства автоматизации разработки многоролевых компьютерных...
Автоматизация процесса формирования индивидуальных учебных планов в системе переподготовки...
Адаптивные среды создания образовательных ресурсов для системы повышения квалификации и...
Рабочая программа по дисциплине: цикла ен. Р...
Руководство для высшего управленческого персонала. М., 1993...
«Рост качественных характеристик управленческого персонала из числа молодых специалистов...
2. Система антикризисного управления персоналом...
Теоретические основы автоматизированного управления электропотреблением промышленных предприятий...
Рабочей программы учебной дисциплины математические методы и модели в экономике уровень основной...
“Отходы промышленных предприятий и методы их утилизации и переработки на примере предприятий...
Рабочая программа учебной дисциплины “ проектирование асу промышленных объектов цикл...



Загрузка...
скачать
На правах рукописи


Белоус Валентина Владимировна


Нечеткие модели и методы управления образовательной траекторией в системе переподготовки персонала промышленных предприятий


Специальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (промышленность)


Автореферат

диссертации на соискание ученой степени

кандидата технических наук


Москва - 2009

Работа выполнена на кафедре «Автоматизированные системы управления» в Московском автомобильно-дорожном институте (государственном техническом университете)


Научный руководитель

Заслуженный деятель науки РФ,

доктор технических наук, профессор

Николаев Андрей Борисович,

профессор МАДИ(ГТУ)


Официальные оппоненты

Лауреат премии Правительства РФ,

доктор технических наук, доцент

Строганов Виктор Юрьевич,

профессор МГТУ им.Н.Э.Баумана





Кандидат технических наук,

Лукащук Петр Иванович

Генеральный директор ООО «Спецстройбетон-200», г.Москва


Ведущая организация: Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АП), г. Москва.


Защита состоится 19 мая 2009г. в 10.00 на заседании диссертационного совета Д212.126.05 Московского автомобильно-дорожного института (государственный технический университет) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.


С диссертацией можно ознакомиться в библиотеке МАДИ(ГТУ).


Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического университета):www.madi.ru


Автореферат разослан 17 апреля 2009г.


Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.


Ученый секретарь

диссертационного совета,

кандидат технических наук, доцент Михайлова Н.В.

^

Общая характеристика работы

Актуальность проблемы


В настоящее время система переподготовки персонала промышленных предприятий в полной мере использует современные программно-инструментальные средства управления учебным процессом, включая регистрацию пользователей, ведения журнала успеваемости, формирование расписания индивидуальных удаленных занятий и др. В систему также включается значительное количество электронных образовательных ресурсов, которые составляют предметную составляющую процесса переподготовки и принципам разработки которых посвящено значительное количество работ. Однако проблематика динамического управления образовательной траекторией с учетом формализованных моделей взаимосвязи образовательных ресурсов остается открытой. Кроме того, в процессе структуризации учебных материалов и оценки уровня знаний методисты и администраторы фигурируют такими нечеткими понятиями, как «легкие» и «сложные» тестовые задания, «хороший уровень подготовки» и др. Исходя из этого, актуальной представляется задача автоматизации организации процесса управления образовательной траекторией на основе нечетких множеств и нечетких отношений.

В рамках методической организации основу системы управления процессом переподготовки должно составлять структурированное представление учебного плана с организацией оперативного доступа к учебным материалам и оценкам успеваемости каждого обучаемого по каждому направлению переподготовки.

Предметом исследования является система переподготовки персонала промышленных предприятий, включающая формирование рабочих программ, учебных планов, учебно-методических материалов и тестовых заданий.
^

Цель и основные задачи исследования


Целью работы является повышение эффективности системы переподготовки за счет разработки и внедрения формальных моделей структуризации учебных материалов в виде нечетких множеств и нечетких отношений.

Для достижения данной цели в работе решаются следующие задачи:

  • анализ задач системы переподготовки персонала промышленных предприятий в условиях различного квалификационного уровня персонала;

  • разработка информационного обеспечения структуризации учебных планов и программ на основе нечетких множеств и нечетких отношений;

  • разработка критериев эффективности управления образовательной траекторией;

  • разработка нечетких моделей процедур управления тестовым контролем;

  • разработка нечетких моделей формирования образовательной траектории;

  • программная реализация методов и моделей нечеткого управления образовательной траекторией.
^

Методы исследования


При разработке формальных моделей компонент системы переподготовки в диссертации использовались методы общей теории систем, классический теоретико-множественный аппарат, теория нечетких множеств и нечетких отношений. Системный анализ управления образовательной траекторией в учебных центрах проводился на реальных статистических данных, обработка которых проводилась с помощью современных методов анализа данных с привлечением математических и статистических пакетов.
^

Научная новизна


Научную новизну работы составляют нечеткие методы и модели управления образовательной траекторией в системе переподготовки персонала промышленных предприятий. На защиту выносятся:

  • нечеткая модель учебного плана, как параллельно-последовательный процесс изучения нечетко-связного комплекса учебных модулей;

  • модель нечеткого отношения уровня знаний и сложности тестовых заданий;

  • модель транзитивного замыкания нечеткого отношения в процедуре управления образовательной траекторией;

  • программно-моделирующий комплекс управления образовательной траекторией.
^

Достоверность научных положений, рекомендаций и выводов


Обоснованность научных положений, рекомендаций и выводов определяется корректным использованием современных математических методов и моделей, предварительным статистическим анализом процессов обучения и тестового контроля ряда предприятий, согласованностью результатов аналитических и имитационных моделей процессов обучения и тестового контроля. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения результатов работы в ряде промышленных предприятий.
^

Практическая ценность и реализация результатов работы


Научные результаты, полученные в диссертации, доведены до практического использования. Они представляют непосредственный интерес в области автоматизации управления персоналом с использованием методик комплексной автоматизации формирования учебных планов и рабочих программ для подготовки и переподготовки персонала. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий и используются при организации учебного процесса в МАДИ(ГТУ).
^

Апробация работы


Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

  • на Российских, межрегиональных и международных научно-технических конференциях, симпозиумах и семинарах (2005-2009 гг.);

  • на заседании кафедры АСУ МАДИ(ГТУ).

Совокупность научных положений, идей и практических результатов исследований в области автоматизации процесса управления персоналом составляет актуальное направление в области теоретических и практических методов принятия решений и выбора стратегий управления образовательной траекторией, а также синтеза комплексных решений по направлениям обучения и тестирования в системе переподготовки персонала.
^

Содержание работы


Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и методик.

Во введении обосновывается актуальность работы. Отмечается необходимость решения задачи системной структуризации учебно-методических материалов. Сформулирована цель и основные задачи работы. Приведено краткое описание содержания глав диссертации.

В первой главе диссертации проведен системный анализ задач автоматизации управления персоналом в контуре системы переподготовки и предложен комплексный подход к решению задач разработки информационного обеспечения и моделирования процессов управления образовательной траекторией.

В диссертации проведен анализ и показано, что характерными чертами современных образовательных технологий, обеспечивающих их широкое использование, являются:

  • гибкость (возможность заниматься в удобное для себя время, в удобном месте и темпе.);

  • модульность (возможность из набора независимых учебных курсов-модулей формировать учебный план, отвечающий индивидуальным или групповым потребностям;

  • параллельность (параллельное с профессиональной деятельностью обучение без отрыва от производства); охват (одновременное обращение ко многим источникам учебной информации большого количества обучающихся);

  • экономичность (эффективное использование учебных площадей, технических средств, концентрированное и унифицированное представление учебной информации и мультидоступ к ней);

  • технологичность (использование в образовательном процессе новейших достижений информационных и телекоммуникационных технологий) и др.

В диссертации проведен анализ различных систем управления обучением. Так, имеют место разработки инструментальных систем на основе формирования метаданных учебных модулей, причем наличие тезауруса в формировании гипертекста учебных модулей играет важную роль. Например, в системе «БиГОР» T представляет множество терминов, обозначающих понятия, присутствующие в тезаурусе. При этом любой термин ViT становится потенциальной гиперссылкой. С точки зрения пользовательского интерфейса в системе реализована подсветка всех имеющихся в модуле терминов ViT, поэтому автор модуля должен лишь указать, к какому из трех возможных подмножеств относятся подсвеченные Vi - к подмножеству выходных, входных или простых ссылочных терминов. При указании выходного термина система формирует строку таблицы М, в которой устанавливается соответствие между указанным термином и адресом редактируемого модуля. При указании входного или ссылочного термина Vi формируются гиперссылки к соответствующему элементу тезауруса и через посредство таблицы М – к модулям, в которых Vi  определен. Изменения никак не отражаются на правильности функционирования гиперссылок, поскольку все взаимосвязи модулей и понятий формируются динамически. Отдельные подсвеченные, как и повторно упоминаемые в модуле термины Vi  автор модуля вправе не превращать в гиперссылки. Такой подход направлен на автоматическую генерацию электронных образовательных ресурсов.

Проведенный анализ показал, что для формализованного представления и структуризации учебных планов и рабочих программ более целесообразно использовать принципы терм-анализ связности модулей учебных материалов, принятых в системе «СОТА», где модуль представляет структуру: M={DM, AM, HM, FD}, DM - наименование модуля; AM - аннотация модуля; HM - объем часов, выделенных на модуль; FD - указатель дисциплины. Основными связывающими понятиями также являются термы. Терм-множество представляет структуру W=WIWO, где WI - множество входных термов; WO - множество выходных термов. Входные термы определены как: WIw={DIW, FIW, FIW, UIW}, где DIW - идентификатор терма; FIM - указатель принадлежности модулю; FW - ссылка на терм-источник (для организации синонимии); UW - коэффициент усиления (определяет увеличение активности понимания терма). Выходные термы определены как: WOw ={DOW, FOW, FOW. ZOW}, где DOW - идентификатор терма; FOM - указатель принадлежности модулю; FOW - ссылка на терм карты требований; ZOW - коэффициент забывания терма.

Из множества термов при этом автоматически выделяются подмножества: WOO- - подмножество «висячих термов», т.е. выходных термов, которые не используются в дальнейшем (на них не ссылаются никакие входные термы); WIII- - подмножество «неопределенных термов», т.е. входных термов, не ссылающихся на выходной. Они определяются из семантической сети термов на основании соотношений:

WOO - WOw WO - :  WIwi WOwWIwi

WII-- WIw WI- :  WOwo WOwoWIw

(1)

«Неопределенные термы» можно рассматривать как базовые понятия. «Висячие термы» можно рассматривать либо как методическую ошибку сформированного учебного плана, либо такой терм должен быть включен в карту требований по выбранной специальности или профессии.

Проведен анализ современных информационных технологий в управлении обучением и рассмотрены компоненты информационно-образовательной среды, представляющие собой системно-организованную совокупность средств передачи данных, информационных ресурсов, протоколов взаимодействия, аппаратно-программного и организационно-методического обеспечения, ориентированную на удовлетворение образовательных потребностей.

Анализ систем управления обучением, показал, что все они имеет схожую модульную архитектуру, включая модули: «Администратор», «Организатор», «Преподаватель», «Слушатель», «Трекинг», «Курс», «Регистрация», «Тест», «Дизайнер тестов», «Учет», «Отчеты», «Дизайнер курсов» и др. По организации обучения регистрация на курсы организуется по типу электронного магазина. При этом используются: календарные планы изучения курсов; подсистема учета платежей (расходов); подсистема регистрации/выдачи сертификатов; возможность сочетания ролей (тьютор может одновременно быть и организатором) и т.п. Системы позволяют: просмотреть учебный материал; создать свой курс; получить ответы на свои вопросы; осуществить автоматический контроль знаний; получить помощь и др.

Во второй главе диссертации разработаны формализованные модели описания межмодульной связности учебного материала виде нечеткого отношения.

В рамках моделирования системы управления подготовкой персонала проведен анализ применимости теории нечетких множеств. Так, нечеткая переменная представляет собой пятерку:

L=s, Gs, Ms>,

(2)

где S - название лингвистической переменной; T(S) – терм-множество; Us - универсальное множество; Gs - синтаксическое правило порождения терм-множества; Ms - семантическое правило, определяющее смысл переменной в терминах функций принадлежности.

При этом терм-множество состоит из: первичных (базовых) термов, таких как T1(S) = - (<хорошо>, <плохо>...); вторичных термов, которые в свою очередь подразделяются на лингвистические неопределенности T2(S) = <очень>|<более менее>; и булевы связки над компонентами T3(S) = <не>|<и>|<или>.

Понятия «сложность» учебного материала, «сложность» тестовых заданий «уровень знаний» - это некоторые нечеткие переменные, в то время как «способность решения задач» является некоторым нечетким отношением между нечеткими переменными «сложности» и «уровня знаний».

Еще одной переменной является балл, полученный при тестировании. Эту переменную можно считать преобразованием переменных «уровня знаний» и «уровня сложности» тестовых заданий, входящих в тест. Эмпирически этим понятиям ставится в соответствие некоторый гипотетический функциональный образ (рис.1.), который идентифицируется положением и размахом (мерой неопределенности оценки).

Функция принадлежности



Рис.

1.

Чем правее положение кривой, тем сложнее задание или выше уровень знаний. Чем шире область под кривой, тем больше неопределенность. Предположим, что каким-то образом эти функции определены (в частном случае это могут быть просто числовые оценки), тогда к проблеме оценивания уровня знаний можно подойти исходя из формализованных нечетких моделей связности учебного материала, сложности тестовых заданий и результатов тестового контроля.

Таким образом, для формирования процедуры управления образовательной траекторией в работе предлагается формализованное описание базовых функций связности учебного материала, тестовых заданий и уровня подготовки обучаемых на основе нечетких множеств.

Так, программа переподготовки представляет граф G=(M, E) – как частично упорядоченное множество модулей, где отношение порядка определяется на основании связности термов. Wj1i1>Wj2i2 означает, что терм Wj1i1 необходим для Wj2i2.

Для сбалансированного учебного плана необходимо задать порядок между модулями. Такой порядок можно построить не на любой структуре, что накладывает ограничения на множество графов G. Если С множество всех цепей графа G, то есть линейно упорядоченных множеств, то необходимыми условиями для корректной структуры будут условия ацикличности. С этой цель в диссертации разработан алгоритм генерации, результатом которого является структура межмодульных связей (рис.2.)


Сетевая модель учебного плана



Рис.

2.

Разработанная модель связности дает основу определения численных оценок трудоемкости (в частности, времени изучения) на основе формального преобразования семантической сети предметной области. Учитывая хронологию последовательности модулей учебного плана имеется возможность построения субъективной оценки качества образовательной траектории для конкретного обучаемого.

В общем случае, когда речь идут о количественной оценке связности учебного материала, то связность модулей является нечетким понятием, т.е. модули могут быть «сильно» или «слабо» связанными. Эта оценка может быть получена на основе проведения экспертного опроса методистов. В результате, граф межмодульных связей учебного плана будет представлять нечеткое отношение (нечеткий граф), в котором для каждой пары модулей задачи количественные меры связности M={(xi,yi)|ij}ij=1..N.


Формирование меры связности модулей



Рис.

3.

Для оценки весов дуг в диссертации предлагается метрика, основанная на терм-связности. Пусть имеется множество модулей M={Mi}. С каждым модулем связаны множества входных WiI и выходных WiO термов, что схематично представлено на рис.3.

При этом Eij определяется количеством выходных термов i-го модуля NOi=Card(WiO), количеством входных термов NIj=Card(WjI) и мощностью пересечения Nij=Card(WiOWjI). В качестве меры связности предлагается использовать величину Eij=Nij/NOi, которая определяет долю выходных термов предшествующего модуля, используемых в последующем модуле. В качестве меры также можно использовать величину Eij=Nij/NOiNIj, которая также зависит и от доли входных термов последующего модуля, вводимых предшествующим модулем.

Таким образом, для любой пары учебных модулей (MiMj) определено пересечение входных и выходных термов, которое и определяет меру связности. Количественная характеристика меры определяется числом в интервале от 0 до 1, поэтому отношения связности учебных модулей представляет классическое нечеткое отношение.

Управление образовательной траекторией, когда имеется нечеткая модель связности модулей, предполагает оценку трудоемкости процесса изучения последовательности учебных модулей. В связи с этим для графовой модели учебного плана в диссертации предлагаются алгоритмы вычисления этих трудоемкостей, когда и вершины графа (модули) взвешены лингвистическими переменными. Пусть имеются две нечетких переменных с соответствующими функциями принадлежности:

Xi ~ .

(3)

Предполагается, что обе переменных имеют функцию принадлежности из одного и того же класса. Задача состоит в поиске аналитического выражения функции принадлежности суммы этих переменных Y=x1+x2. При выполнении любой бинарной операции над нечеткими переменными принцип обобщения представляет соотношение . В работе показано, что при y<x1+x2 из x11- x22 следует min (f1(x1), f2(x2))=0. При этом Y=x1+x2 ~ , где a=a1+a2; =1+2. Т.е. операция сложения нечетких чисел не выводит результат из заданного класса. Вводя для этого класса функций принадлежности обозначение:

,

(4)

приведем полученный результат к следующей форме:

x1 ~ fe(x|a1,1),x2 ~ fe(x|a2,2)  x1+x2 ~ fe(x| a1+a2, 1+2).

(5)


Функция принадлежности максимума нечетких переменных



Рис.

4.


Этот класс функций весьма напоминает нормальное распределение и по аналогии сумма двух нормальных величин нормальна.

В случае возможности параллельного изучения время начала изучения последующего модуля определяется как T=max(T1,T2). Пусть имеются две переменные X и Y с соответствующими функциями принадлежности µx и µy. В диссертации разработана процедура расчета функции принадлежности вычисления максимума двух нечетких переменных.

Для достаточно большого количества проведенных экспериментов показано подобие нормальному распределению (рис.4.). Таким образом можно считать, что операция максимума не выводит результат из выбранного класса функций принадлежности (относительная средне-интегральная ошибка порядка 3%).

Таким образом, для произвольной последовательности модулей разработан алгоритм вычисления трудоемкости, что вместе оценкой уровня подготовленности дает возможность расчета лингвистических переменных времени изучения материала («быстро», «долго» и др.).

Восприятие учебного материала в формализованной лингвистической постановке интерпретируется (рис.5.) функционалами, которые соответствуют старому и новому уровню знаний обучаемого, с учетом сложности предоставленной для изучения информации. Обучающий блок должен быть не близок и не далек от истинного уровня знаний. Ic , I*c - максимальное значение функции (старое и новое). Mc , M*c - положение функции (старое и новое). Широта знаний - множество термов. Глубина знаний - цепочка предыстории терма:

Преобразование модели уровня знаний



Рис.

5.




.

(6)

Изменение положения «уровня знаний» в работе предлагается проводить на основании вероятностной интерпретации. Пусть старая функция принадлежности равна , новая соответственно , где x0 и x1 - некоторые параметры, тогда результирующую функцию можно представить:



(7)

Таким образом, при выборе последовательности учебных модулей в работе предлагается учитывать динамику уровня подготовки, что затем параметризуется моделями тестового контроля уровня знаний с поиском заданий соответствующей сложности. Статическая модель блока связана с моделью тестирования по неопределенности в оценке знаний. Динамическая модель при этом может быть апробирована на тестовых экспериментах.

В третье главе диссертации решается задача динамического управления образовательной траекторией на основе нечетких моделей оценки уровня знаний и нечетких моделях связности тестовых заданий и учебных модулей.

Одной из задач, которая ставится при идентификации тестовых заданий, это его принадлежность к некоторым модулям на основе включения ссылок на термы. Степень принадлежность терма определенному направлению не является однозначной. Пусть каждому терму ставится в соответствие некоторый конечный вектор принадлежности направлениям:

V = ( V1, V2, ... , Vn),

(8)

компоненты которого определяют субъективную оценку принадлежности этого терма к каждому из модулей. Vi - степень принадлежности i-го терма. На основании оценок экспертов можно считать заданным соответствие принадлежности W={Wi}i=1..n – термов M={Mi}i=1..m - направлениям. Каждая пара Mj, Wi имеет вес Vij , что сведено в общую матрицу (табл.1.). В результате для определения степени принадлежности терма направлению, можно использовать правило композиции нечетких отношений. В свою очередь каждое тестовое задание имеет нечеткую степень включения каждого терма. В результате будет сформировано нечеткое отношение TU, где T – множество тестовых заданий и U – множество учебных материалов, которое является аналогом двудольного графа, дуги которого взвешены числовой оценкой в интервале от 0 до 1.

Лингвистическая переменная определена на множестве всех модулей и представляет дискретную лингвистическую переменную. Полученное нечеткое отношение связности тестовых заданий и учебных моделей вместе с моделями нечеткой связности самих модулей представляет основу для формирования образовательной траектории.

Таблица

1.

Принадлежность термов направлениям

Блоки

объекты

M

M2




Mm

W1

V11

V12




V1m

W2

V21

V22




V2m
















Wn

Vn1

Vn2




Vnm

Для моделирования результатов ответа на тестовые задания в диссертации разработана модель, представляющая расширение модели Раша на нечеткие переменные «уровня знаний», «сложности задания» и «вероятности ответа задание». Пусть «уровень знаний» будет представлять линвистическую переменною с функцией принадлежности:

.

(9)

Вероятность ответа на тестовое задание некоторого «уровня сложности» для различных «уровней знаний» определяется на основании логистической кривой:

.

(10)

Для заданной вероятности уровень знаний будет равен . Для значения уровня значимости функции принадлежности «уровня знаний» найдено значение вероятности ответа на задание. Каждому значению вероятности поставлено в соответствие то же значение уровня значимости, что и у функции принадлежности уровня знаний:

,

(11)

чему будет соответствовать функция принадлежности на графике (рис.6.)


Функция принадлежности вероятности правильного ответа



Рис.

6.


Из графика видно, что функция принадлежности имеет вид, подобный бетта-распределению. В работе разработан алгоритм поиска значения параметров бетта-распределения, которые дают максимальное приближение полученной функция. Эта функция является расширением логистической функции вероятности правильного ответа на случай нечеткого уровня знаний:

,

(12)

где R-нормировочная константа (максимум функции принадлежности вероятности ответа равен 1). Задача состоит в определении максимального значения функции принадлежности, которое находится на кривой:

.

(13)

Определение значений 1 и 2 сводится к решению системы уравнений через положение (моду ^ P) и неопределенность (дисперсию D) вероятностей ответа на задание:

и .

(14)

Решая систему уравнений, получаем:

и .

(15)

График функций принадлежности приведен на рис.7. Проведены численные расчеты и показано, что для широкой вариации параметрами функции принадлежности уровня знаний и параметрами логистической кривой ошибки аппроксимации не превышаю 2%.


Сравнительный анализ функций принадлежности



Рис.

7.

Таким образом, задаваясь значениями «уровня знаний» и «сложности задания» вместе с их неопределенностями получаем вероятность правильного ответа при указанных параметрах с указанием его разброса или в случае первичного задания логистической кривой определяем меру неопределенности доли решенных задач.

Кроме того, существует взаимосвязь между случайной величиной, распределенной по бета-закону и биномиальным распределением, что согласуется с задачей оценивая неопределенности количества решенных заданий заданной сложности:

.

(16)

Это также соответствует выбору функции принадлежности вероятностей ответов в классе кривых бетта-распределения, а функций принадлежности уровня знаний в классе нормального распределения.

В общем случае, если имеются два нечетких отношения R1 и R2, то отношение композиции R=R1R2 определяется как . В случае оценки связности модулей и тестовых заданий в работе предлагается использование не только minmax-композиции, но и других: max--композиция R1R2(x,z)= y[R1 R2], max--композиция R1R2(x,z) = y[R1 R2].


Композиционное правило вывода



Рис.

8.


Первой компонентой нечеткой композиции является вектор взаимосвязи тестовых заданий и учебных модулей, а второй нечеткое отношение связности модулей, поэтому будем использовать композиционное правило вывода, иллюстрация которого приведена на рис.8.

Начальный вариант анализа тестового контроля предполагает оценку правильности решения тестовых заданий. Эта оценка может быть определена как да/нет о определяться либо как 0/1. В более общей модели ответа на задание может быть введена большая дифференциация, как доля правильного соответствий, что также будет определять лингвистическую переменную правильности решения тестовых заданий.


Степени принадлежности включения модулей



Рис.

9.


Таким образом, лингвистическая переменная правильности решения тестовых заданий, определенная на декартовом произведении OT (O - ответы, T – тестовые задания), и отношение связности тестовых заданий и модулей, определенное на декартовом произведении TU, формально определяют композицию (OT)(TU). Эта композиция дает оценку нечеткого вектора принадлежности модуля образовательной траектории SM(0)=(SM1(0),…, SMN(0)), где SM.(0) и определяет степень необходимости включения данного модуля (0SMi(0)1) без учета связности модулей. Схематично степени принадлежности в процентном отношении показаны на рис.9.

Более адекватной моделью формирования образовательной траектории является нечеткая композиция отношений (OU)=(OT)(TU)(UU), которая учитывает связность учебных материалов (UU). Отношение порядка E(UU) на множестве модулей также представляет нечеткое отношение. Нечеткое отношение более высокого порядка связности определяется композицией нечетких отношений, т.е. в конечном счете реализуется транзитивное замыкание нечеткого отношения. При этом:

E(2)=EE.

(17)

Отношение ^ E(2) определяет модули второго порядка, E(3)=EE(2) – третьего и т.д. Нечеткая композиция SM(0) и E дает нечеткий вектор SM(1), т.е. необходимость включения дополняющих модулей первого порядка. SM(2)=SM(0)E(2) дает нечеткий вектор необходимости включения модулей поддержки второго порядка и т.д. Нечеткая модель включения модулей в образовательную траекторию определяется нечетким объединением .

В результате получена формальная модель управления образовательной траекторией как нечеткой переменной включения модулей. Переход к детерминированному варианту учебного плана может быть выполнен на основе задания порогового значения уровня значимости, который будет определять границу включения.

В четвертой главе диссертации рассматриваются вопросы построения программно-моделирующего комплекса системы переподготовки персонала промышленных предприятий. Разработана структура базы данных (рис.10.), интегрирующая учебный план, тестовые задания, результаты выполнения и характеристики доступа к учебно-методическим материалам. Комплекс реализован в рамках единой оболочки с универсальным интерфейсом и возможностью интеграции со стандартными пакетами.

Разработанный программный комплекс, реализует среду консультанта, который наряду с другими функциями обеспечивает реализацию механизмов управления образовательной траекторией по результатам выполнения обучаемыми тестовых заданий.

Анализ результатов переподготовки для предприятий промышленности и транспортного комплекса по различным блокам показал существенную связь между типом профессиональной деятельности и непосредственно содержательной частью блока.

Средние баллы по типам производственной деятельности, набранные работниками по отдельным блокам и по финансово-экономическому блоку в целом, приведены в табл.2.


Инфологическая модель базы данных связности учебных модулей



Рис.

10.


Проведенный анализ показал, что в рамках рассматриваемых типов производственной деятельности наиболее высоким уровнем практических навыков характеризуются работники Корпоративного Центра. По данной группе средняя оценка составляет 65,8 баллов, что соответствует высокому уровню практических навыков. Самую низкую среднюю оценку, приближающуюся к верхней границе среднего уровня, – 48,0 баллов - получили работники Корпоративного управления и науки.

Следует отметить, что по всем типам производственной деятельности, за исключением Корпоративного управления и науки, работники показали уровень практических навыков, существенно превышающий уровень знаний, определенный по результатам экзамена. Это может свидетельствовать о более практической направленности деятельности работников.


Таблица

2.

Средние оценки по типам производственной деятельности

Название блока

Тип производственной деятельности

В среднем

по всем работникам

Корпоративный центр

Блок геологии и добычи нефти и газа

Блок маркетинга, продаж и переработки

Блок сервисов

Корпоративное управление

и наука

Управление финансами

65,0

55,1

62,1

59,8

45,2

59,2

Экономика

70,8

65,3

64,5

70,6

43,3

67,0

Бухгалтерский учет и аудит

65,8

59,6

65,4

61,7

46,9

62,1

Юридические основы финансово-экономического управления

60,6

50,3

57,6

55,2

52,9

54,8

Организационные основы современного финансово-экономического управления

66,6

56,2

58,9

59,3

47,6

58,7

Информационные технологии

66,1

55,7

57,0

60,4

51,9

58,6

Финансово-экономический блок в целом

65,8

57,0

60,9

61,2

48,0

60,1


Полученные результаты анализа свидетельствуют о необходимости дифференцированного подхода к формированию кадров переподготовки, что приводит к задам оценки связности базовых знаний персонала (профессиональная деятельность) с программами переподготовки. При этом также важна оценка взаимосвязи между всеми курсами и блоками, входящими в цикл переподготовки.

^ В заключении представлены основные результаты работы.

Приложение содержит документы об использовании результатов работы.

Публикации. По результатам выполненных исследований опубликовано 10 печатных работ, основные из которых приведены в списке публикаций.
^

Основные выводы и результаты работы


  1. Проведен системный анализ задач подготовки и переподготовки кадров в системе управления персоналом промышленных предприятий, определены классы методов и моделей формализованного представления компонент процесса обучения.

  2. Определен круг проблем, связанных с автоматизацией системы переподготовки и моделирования процесса обучения.

  3. Реализовано формализованное представление компонент учебного плана. Обоснована необходимость создания базы термов, которая является основой оценки связности модулей и дисциплин в модели нечеткой логики.

  4. Построены нечеткие количественные оценки эффективности учебного плана в зависимости от начального «уровня знаний». Разработаны адаптивные алгоритмы управления образовательной траекторией.

  5. Разработаны модели преобразования уровня знаний и логистической кривой в вероятность правильного ответа на тестовое задание в нечеткой постановке.

  6. Разработана структура базы данных автоматизации управления образовательной траекторией.

  7. Разработан программно-моделирующий комплекс поддержки принятия решений в системе управления персоналом промышленных предприятий.

  8. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий и на кафедре АСУ МАДИ(ГТУ). Показано, что внедрение результатов работы позволяет повысить качество и эффективность процессов разработки учебных планов.
^

Публикации по теме диссертационной работы


  1. Белоус, В.В. Алгоритм оптимизации образовательной траектории / В.В. Белоус, Н.А. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы прикладной информатики и коммуникационные технологии в автоматизации и управлении: сб. науч. тр. МАДИ (ГТУ). –М., 2006.- С. 43-48.

  2. Белоус, В.В. Сетевая вероятностная модель учебного плана / В.В. Белоус, Н.А. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы прикладной информатики и ком-муникационные технологии в автоматизации и управлении: сб. науч. тр. МАДИ (ГТУ) 2006.- С. 55-67.

  3. Белоус, В.В. Моделирование эффективности процесса аттестации персонала / В.В. Белоус, А.А. Шарков, А.В. Яшуков // Аналитико-имитационное моделирование и ситуационное управление в промышленности, строительстве и образовании (ч.2): сб. науч. тр. МАДИ(ГТУ). – М., 2008. –С. 28-32.

  4. Белоус, В.В. Обобщенные графовые модели оценки качества учебно-методических материалов / В.В.Белоус, Л.Ф. Макаренко, В.М. Пеньков, И.Э.Саакян // Аналитико-имитационное моделирование и ситуационное управление в промышленности, строительстве и образовании (ч.2): сб. науч. тр. МАДИ(ГТУ). – М., 2008. –С.22-27.

  5. Белоус, В.В. Модель нечетких отношений в системе документооборота / В.В.Белоус, Л.Ф. Макаренко, В.Н. Брыль, И.Э. Саакян // Вестник МАДИ(ГТУ), вып. 4(15) /МАДИ(ГТУ). –М., 2008. -С.92-95.

  6. Белоус, В.В. Статистическое исследование и моделирование процессов забывания информации / В.В. Белоус // Теория и практика автоматизированного управления: сб. науч. тр. МАДИ(ГТУ) №1(41) / МАДИ(ГТУ). – М., 2009. –С. 9-20.

  7. Белоус, В.В. Метод оценки сложности учебного модуля / В.В. Белоус, Н.А. Красникова, К.А. Николаева, Г.Г. Ягудаев // Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). – М., 2009. –С.32-39.

  8. Белоус, В.В. Автоматизация процессов создания тестовых заданий / В.В.Белоус, Г.Г. Ягудаев // Теория и практика автоматизированного управления: сб. науч. тр. МАДИ(ГТУ) №1(41) / МАДИ(ГТУ). – М., 2009. –С.4-8.

  9. Белоус, В.В. Методы конструирования тестовых заданий / В.В. Белоус, Г.Г. Ягудаев, Н.А. Красникова, К.А. Николаева // Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). -М., 2009.-С.26-31.

  10. Белоус, В.В. Метод оценки сложности учебного модуля / В.В. Белоус, Г.Г. Ягудаев, Н.А. Красникова, К.А. Николаева // Методы и модели прикладной информатики: межвуз. сб. науч. тр. МАДИ(ГТУ). -М., 2009.-С.32-39.




Скачать 306,88 Kb.
оставить комментарий
Дата12.10.2011
Размер306,88 Kb.
ТипАвтореферат, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх