CC BY
33
Лавров E. А.1, Барченко Н.Л.2
1 Сумский государственный университет, профессор, prof [email protected] 2 Сумский национальный аграрный университет, ассистент, [email protected]
Эргономика электронного обучения. Подход к моделированию элементов человеко-машинного взаимодействия в обучающих средах
КЛЮЧЕВЫЕ СЛОВА:
Электронное обучение, моделирование в обучающих средах, человеко-машинный интерфейс.
АННОТАЦИЯ:
Рассмотрен подход к нейро-нечёткому моделированию человеко-машинного взаимодействия в обучающих системах. Модель удобна для формирования исходных данных о качестве учебно-познавательной деятельности при работе с электронным модулем, которые необходимы для обеспечения исходными данными функциональной сети, моделирующей диалог в системе "студент - обучающая среда".
1. Введение. Актуальной задачей эргономического проектирования человеко-машинных систем (ЧМС) является создание программного обеспечения, позволяющего получать значения показателей качества и надёжности функционирования на основании параметров обучаемого и среды, и формулировать выводы о причинах таких значений. Ранее нами была рассмотрена проблема подготовки и хранения исходных данных для оценки алгоритмов деятельности [1]. В работе [2] предложена нейро-функциональная модель процесса обучения, позволяющая учитывать влияние состояния среды и характеристик оператора на дальнейшее продолжение процесса.
Человек-оператор представляет собой сложный нелинейный объект, не все его характеристики могут быть измерены количественно. Некоторые характеристики могут быть определены только приблизительно (высокое утомление, плохая память, хорошая подготовка), что приводит к определённым сложностям для математических расчетов и использовании существующих моделей.
Сложный характер процессов человеко-машинного взаимодействия, неоднозначность и неполнота исходной информации являются аргументами в пользу создания модели на базе нечеткой логики. 2. Постановка задачи
Структуру диалога представляем с помощью функциональных сетей (ФС) [3]. Существует проблема с исходными данными, которая обостряется
необходимостью учёта индивидуальных особенностей пользователя. В тоже время существует ряд работ [4, 5], которые позволяют с помощью методов DataMining обрабатывать имеющуюся информацию.
Цель работы - разработка подхода к обработке экспериментальных данных, касающихся качества работы обучаемых в системе «человек-компьютер» в масштабах одного учебного модуля с целью дальнейшего их использования в качестве исходных данных, которые подаются на вход ФС [2].
При моделировании процесса учебной деятельности в системе «человек-компьютер» на базе нечёткой логики сформулируем задачу следующим образом: разработать алгоритм принятия решения, позволяющий фиксированному вектору входных переменных
тгф * * *
Х*=<х 1, х 2,...., X п> , поставить в соответствие решение
х. е
У =<у1,у2,...,уп>, у
I'у.
где X* - множество параметров процесса учебной деятельности,
х. е
Х1 ,Х1
, ¿ = 1,71 - диапазоны количественного изменения каждой входной переменной, У - множество показателей качества функционирования
У е
системы «человек-компьютер», 1
У >У
диапазоны количественного
изменения каждой выходной переменной.
3. Результаты
3.1. Анализ входных и выходных параметров. Человек (обучаемый), находящийся во взаимодействии с компьютером обладает рядом существенных для его деятельности характеристик: психофизиологических, когнитивных, характеристик реализации типовых действий, имеет некоторый опыт и свою систему целей и предпочтений.
Согласно концепции квалиметрического проектирования человеко-машинных систем (ЧМС) [3], примем следующие показатели качества: математическое ожидание времени выполнения операции, дисперсия времени выполнения, вероятность безошибочного выполнения и вероятность отказа от операции.
3.2. Апробация подхода к моделированию показателей качества. Авторы поставили перед собой цель в данной работе проверить работоспособность идеи на конкретных данных, полученных в результате накопления статистических данных в АСУ «Учебный процесс» [6]. Моделирование проводилось по аналогии с моделями, описанными в [4, 5]. Поскольку учёт полного количества факторов ограничивается рамками данного материала, рассмотрим задачу на демонстрационном примере.
3.3. Нечеткая идентификация в системе MATLAB
Для создания модели использовался пакет прикладных программ
Fuzzy Logic Toolbox системы MATLAB 6.1, который содержит набор GUI-модулей, обеспечивающих проведение этапа структурной идентификации в диалоговом режиме. На этом этапе пользователь выбирает количество входов и выходов модели, задает количество термов и типы функций принадлежностей, формирует базу знаний.
Важными вопросами при создании нечёткой модели обучения является определение лингвистических термов в части предпосылок нечетких правил «ЕСЛИ-ТО» базы знаний и непосредственно формулировка правил базы знаний, полностью отражающих влияние изменения вектора входов Х на выход Y.
На выходе имеем: вероятность безошибочного выполнения контрольных процедур (y1) и вероятность отказа пользователя от работы (y2).
При определенииy1 иy2 будем учитывать следующие факторы :
Компьютер Человек
Тип представления информации (х1) Когнитивный тип (z1)
Эргономичность рабочего места (х2) Мотивация (z2)
Тип диалога (х3) Уровень подготовки (z3)
Для оценки переменных зададим следующие терм-множества:
XI = {текст (1), аудио (2), видео (3)}.
Х2 = {низкая (Н), средняя (С), высокая (В)}.
Х3 = {объяснительно-иллюстративный (1), репродуктивный (2), проблемно-поисковый (3), исследовательский (4)}.
Z1 = {низкая (Н), средняя (С), вышесредней (вС), высокая (В)}. Z1 = {низкая (Н), средняя (С), высокая (В)}.
В качестве нечеткого аппроксиматора используем систему нечеткого логического вывода типа Сугено [5] (рис.1).
S X
Рис. 1. Система нечеткого логического вывода типа Сугено
В табл. 1 предлагается фрагмент нечеткой базы знаний типа Сугено для моделирования процесса обучения.
Х1 Х2 Х3 Z1 Z2 Z3 У1 У2
текст высокий репродуктивный вербал высокий высокий высокий низкий
аудио высокий репродуктивный аудиал высокий высокий высокий низкий
текст средний репродуктивный визуал высокий средний средний средний
аудио средний иллюстративный вербал средний низкий низкий высокий
На начальном этапе проектирования классифицирующей модели для задания функций принадлежности вектора входов Х выбираются гладкие, дифференцируемые функции. Пример с гауссовой функцией принадлежности для терма «средний», Z-образной формы для терма «низкий» и 5-образной формы для терма «высокий» показан на рис. 2.
-J Membership Function Editor: ЧМС
File Edit View FIS Variables
XX
Ä üJ [Ä] *
Membership function plots Plot P°iriti: | ТвГ
S 3.5
input variable nz3"
Рис. 2. Функции принадлежности для переменной z3 (уровень подготовки) Запишем правила нечёткого вывода согласно таблицы 1
Rule Editor: ЧМС
File Edit View Options
1. If (x1 is текст) and (x2 Is в) and (x3 is 2) and (z1 Is вербал) and (z2 Is в) and (z3 Is в) then [y1 Is в)(у2 is н) (1) 2. If (x1 is адаио) and (к2 Is в) and (кЗ Is 2) and (z1 is аданал) and (z2 Is в) and (z3 Is в) then (y1 Is в)(у2 is н) (1) 3. If (n1 is видео) and (к2 is в) and (кЗ is 2) and (z1 is визуал) and (z2 is в) and (z3 is в) then fy1 is в)[у2 is н) (1) 4. If [k1 is текст) and |к2 is c] and 1x3 is 21 and [z1 is визчал1 and [z2 is в] and [z3 is в] then iy1 is c)|y2 i^l (11 ж
111
Рис. 3. Нечеткая база знаний для системы типа Сугэно
File Edit View Options x1 = 0.061 x2 = 0.915 x3 = 0.354 z üdtot zi z = 3 ZI Z <Z E! Z [ 10 10 10 = 0.11 z2 = 0.915 z3 = 4.67 y1 = 1 y2 = 1 37e-0№5 □ d d □ z m zi □ □ z 3 ZI D3 □ ZI Z E! Z Z Z Z El Z Z Z 1 H H □ □ -0.1 1.1 -0.1 1.1
Input: I [0.06098 0.9146 0.35370.1098 0. Plot points: 11 q-| Move: left 1 right | down | up |
J Opened system ЧМС, 5 iules | Help 1 Close
Рис. 4. Нечеткая база знаний для системы типа Сугэно На рис. 4 приведено окно визуализации нечеткого логического
вывода. Как видно из этого рисунка значение выходной переменной рассчитывается как среднее взвешенное значение результатов вывода по каждому правилу.
На рис. 5 приведена поверхность "входы-выход" соответствующая синтезированной нечеткой системе.
а) б)
Рис. 5 Поверхность "входы-выход"(а - зависимость вероятности безошибочного выполнения контрольных процедур (yl) от переменных когнитивный тип (zl) и тип представления информации (xl); б - зависимость вероятности безошибочного выполнения контрольных процедур (yl) от переменных эргономичность рабочего места
(х2) и мотивация (z2)).
Модель построена на основе только экспертных знаний, поэтому возможны несовпадения результатов нечеткого вывода (теория) с экспериментальными данными. Для обеспечения достоверных результатов необходимо провести параметрическую идентификацию нечеткой модели по экспериментальным данным.
input inputrnf rule outputnnf weighted sunn output
Рис. 6. Нейро-нечеткая сеть ANFIS
Настройка нечеткой модели типа Сугэно может проводиться как в командном режиме с помощью функции anfis, так и в диалоговом режиме с использование GUI-модуля anfisedit. Настройка выполняется с использованием технологии ANFIS (Adaptive Network-based Fuzzy Inference
System)— одного из первых методов построения нейро-нечетких систем для аппроксимации функций, предложенного Янгом в 1991 году. Настройка представляет собой итерационную процедуру нахождения параметров функций принадлежности, которые минимизируют расхождения между действительным и желаемым поведениями модели.
Для обучения нечеткой модели экспериментальные данные сформированы в выборку, которая представляет собой совокупность пар:
<Х1,Х2,Хз, Zi,Z2,Z3 - yi, У2 >.
Структура полученной адаптивной нейро-нечеткой сети ANFIS, аппроксимирующей выход, показана на рис. 6.
Выводы. Метод нейро-нечёткого моделирования человеко-машинного взаимодействия, основанный на создании аппроксимирующих моделей, позволяет прогнозировать результаты учебно-познавательной деятельности в системе электронного обучения.
Аппроксимирующую модель удобно представлять нейро-нечёткой сетью ANFIS.
Исходные данные, используемые для обучения и настройки сети, формируются на основании данных, которые накапливаются в базах данных АСУ "Университет", или методом формирования групп экспертов.
Метод может быть использован для создания экспертных систем, систем поддержки принятия решений в обучении.
Технология является базовой для обеспечения исходными данными модели диалога и может быть эффективно использована в системе интеллектуальных агентов.
Литература
1. Lavrov E., Barchenko N., Pasko N. Conception of Neural-Functional networks for Human-Machine Interaction modelling// Materials International Scientific Conference "UNITECH '07" is organized by the Technical University of Gabrovo under the motto, 23-24 November 2007, Gabrovo, Bulgaria. - Gabrovo: University Publishing House "VAPRILOV", 2007. - T. 3. - Р.р 183-185
2. Lavrov E., Pasko N., Barchenko N. Intelligencee Data Analysis for the Ergonometriс Planning of the Human-Machine Systems// Materials International Scientific Conference "UNITECH '06" is organized by the Technical University of Gabrovo under the motto, 24-25 November 2006, Gabrovo, Bulgaria. - Gabrovo: University Publishing House "V.APRILOV", 2006. - T. 1. - Р.р. 437441.
3. Информационно-управляющие человеко-машинные системы: Исследование, проектирование, испытания: Справочник / под общ. ред. А.И.Губинского и В.Г.Евграфова.-М.: Машиностроение, 1993-528 с.
4. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница: УН1ВЕРСУМ-Вшниця, 1999. - 320 с.
5. Штовба С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB // Exponenta Pro: Математика в приложениях.- 2003.- №2.- С.9-15.
6. Лавров Е.А., Клименко А.В. Компьютеризация управления вузом.- Сумы: «Довкыля», 2005. 301 с.
