CC BY
100
УДК 004.94
И.В. Вешнева, Л.А. Мельников
КОНЦЕПЦИЯ РАЗРАБОТКИ МОДЕЛИ ЭКСПЕРТНОЙ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ОБРАЗОВАНИЯ НА ОСНОВЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ
Представлена концепция разработки модели экспертной системы мониторинга качества образования, основанная на принципах лингвистического моделирования. Настройка параметров и нечетких правил позволяет использовать ее как основу интеллектуальной системы, позволяющей принимать управленческие решения при реорганизации образовательной деятельности при переходе к компетентностному подходу ФГОС ВПО третьего поколения в аспекте Болонского процесса.
Лингвистическое моделирование, качество образования, экспертная модель, нечеткие множества
I.V. Veshneva, L.A. Melnikov
THE CONCEPTION OF DEVELOPMENT OF EXPERT SYSTEM FOR QUALITY OF EDUCATION MONITORING ON THE BASIS OF THE FUZZY SETS THEORY
The conception of development of expert system for quality of education monitoring is presented based of linguistic modeling. Adjustment parameters and fuzzy rules allow to use it as the foundation of the intellectual system, which allows to make management decisions during re-organization of educational activity in the transition tocompetence approach of third generation FGOS VPO in the spirit of Bologna process.
Linguistic modeling, education quality, expert model, fuzzy sets
В настоящее время активизируется процесс модернизации образования, в котором особенно остро стоит задача разработки характеристик, описывающих истинное состояние как всей системы образования в целом, так и ее отдельных структурных единиц. Здесь мы можем выделить ряд исторически сложившихся проблем. Во-первых, при построении систем менеджмента качества вузов недостаточное внимание уделяется многомерности самого понятия качества. Во-вторых, показатели оценки качества по различным аспектам структурированы по различным разделам и не связываются в систему, позволяющую реализовать миссию вуза на уровне операционного контроля. В-третьих, нет единого математического подхода для построения системы мониторинга качества высшего образования. В-четвертых, в предлагаемых моделях мониторинга не предполагается возможность проектирования интеллектуальных обучаемых систем мониторинга. И, наконец, в-пятых, системы нацелены на оценку результативности подвергаемых мониторингу процессов, а не на эффективность. В то же время следует обратить внимание на заложенную в определение эффективности по ГОСТ Р ИСО зависимость от времени, поскольку эффективность определяется как соотношение достигнутого результата и использованных ресурсов. В данной формулировке завуалировано понимание необходимости описания ключевых факторов успеха деятельности и правил выбора стратегических социальных решений в форме дифференциальных уравнений, как и всех законов природы.
В работе представлена концепция разработки модели экспертной системы мониторинга качества образования, которая может быть положена в основу интеллектуальной системы, позволяющей принимать управленческие решения при реорганизации образовательной деятельности при переходе к компетентностному подходу ФГОС ВПО третьего поколения в аспекте Болонского процесса.
Качество образования, качество вуза - понятия многомерные и многоаспектные. Очевидно, что высшее образование не может позволить себе роскошь использования суженных определений качества. Понятие многомерного качества распространяется выше традиционной идеи качества, которая выражается в степени соответствия стандарту содержания учебных программ или уровне экзаменационных оценок студентов вуза. Раскрывая многомерность качества образования, рассмотрим качество в двух традиционных направлениях: на внутренние процессы жизненного цикла продукции и на предоставление потребителям гарантий качества продукции.
В направлении внутренних процессов минимальным соответствием стандарту предлагается оценивать компетентность профессорско-преподавательского состава (ППС), однако это трудноизмеряемая характеристика. Уровень подготовки студентов и выпускников представляется следующим этапом оценки качества внутренних образовательных процессов, естественным образом представляясь производной компетентности ППС. Удовлетворение результатами выполненного труда, гордость сотрудников своей работой и вузом в целом становится следующим во времени ключевым показателем. Вершину данного направления образует активное развитие фундаментальных научных исследований, фактически образуя обратную связь в данном направлении.
Ориентация вуза на предоставление гарантий внешним потребителям обеспечивается минимальным требованием стандарта и представляет собой систему аттестации вузов как контроля качества, основанную на соответствии требованиям государственных и региональных стандартов. Однако на этом уровне не учтено соответствие вуза ожиданиям потребителей, которое определяется рейтингом вуза. Третьим уровнем качества, вытекающим из предыдущих, становится соответствие затрачиваемых потребителями на получение продукции вуза ресурсов достигаемому результату. Вершиной данного направления предстает возможность формировать у своих потребителей будущие скрытые потребности, возможно, высокого качества жизни и морали во всем обществе, являющемся потребителем продукции вузов. Концепция многомерного качества предполагает использование огромного количества показателей качества. В предложенной структуре все возможные показатели тесно взаимосвязаны друг с другом и классифицированы по восьми секторам. Практическая реализация идей управления многомерным качеством возможна только при использовании комплексной автоматизации сбора данных по всем показателям качества и внесении их в систему управления.
Однако применение данной концепции приводит к разрозненности показателей. Сегодня в различных вузах происходит активное построение экспертных моделей мониторинга качества образования в вузе, предполагающее постоянное слежение за состоянием образования в целом и отдельных его компонентов. В большинстве случаев построение системы мониторинга качества образования опирается на промежуточные результаты деятельности. Встает очевидный вопрос: как можно сопоставить, например, количество прочитанных лекций или лекций с использованием мультимедиа с формированием и воспроизводством умений и навыков, необходимых для подготовки кадров? Когда количество проведенных открытых лабораторно-практических и семинарских занятий переходит в развитие социализации членов общества? В какой мере проведенные занятия по оказанию дополнительных образовательных услуг способствуют развитию материальной и духовной жизни общества? Эти и многие другие проблемы заставляют задуматься о сложности введения количественных характеристик качества образования.
Решение этих проблем затруднено на основе традиционно сложившихся подходов. Преодоление ограничений этих подходов возможно на основе создания новых интеллектуальных технологий и выхода за рамки классических математических моделей, оперирующих конкретным числом параметров, по которым ведется оценка эффективности. Расширение возможностей изменяемости параметров, образующих управляемую систему, может быть получено в результате применения математического аппарата теории нечетких множеств [1].
Выстраиваемая экспертная система мониторинга многомерного качества образования станет основой интеллектуальной обучаемой системы.
Рассмотрим примерную модель построения экспертной модели для оценки деятельности вуза. В основу системы мониторинга, способной обучаться и подстраиваться под динамично изменяющиеся условия внешней социально-экономической среды, следует положить сбалансированную систему показателей (ССП). Она позволяет, не теряя леса за деревьями, увязать текущие операционные задачи мониторинга в общую ССП, развернутую от декларации миссии вуза, через выбор стратегии к определению ключевых факторов успеха, оцениваемых по показателям для оценки степени достижения стратегических целей, на основе значений которых и принимается управленческое решение. ССП переводит миссию и общую стратегию организации в систему четко поставленных задач и показателей, определяющих степень достижения данных установок в рамках четырех основных проекций: финансы, рынок, управление, ресурсы.
Для вуза эти четыре проекции имеют свою специфическую интерпретацию. Аспект финансовой деятельности назовем фокусом на внутреннюю деятельность, поскольку результаты внутренней деятельности организации в прошлом оказываются информативными в финансовых показателях деятельности. Аспект рынка можно заменить ориентацией на взаимоотношения. В интересах общества обеспечить достаточное количество людей с необходимыми компетенциями, добиться конкурентоспособности своей страны, надлежащего функционирования рынка труда и других подобных преимуществ. Аспект управления назовем фокусом на виды деятельности, учитывая сложность и перекрестность процессов образования. Аспект ресурсов соответствует программам обучения, развития и роста. В каждом из четырех аспектов проводится разворачивание внутренней и внешней составляющих по принципу иерархичности баз знаний по всем четырем уровням многомерного качества, описанного выше. При большом числе входных переменных построение системы высказываний о неизвестной зависимости <входы-выход> становится затруднительным. В связи с этим целесообразно провести классификацию входных переменных и по ней построить дерево вывода, определяющее систему вложенных друг в друга высказываний - знаний меньшей размерности [2]. В результате получается необходимость формирования 24 функций, у которых лингвистические значения переменных оцениваются по принципу термометра - им задается функция принадлежности, которая определяет отношение некоторого элемента к нечеткому множеству [1].
При построении модели оценки эффективности, опираясь на практику построения стратегических карт системы сбалансированных показателей, мы будем использовать лингвистические входные и выходные переменные, которые оцениваются качественными термами (названиями). Например, один из частных показателей «Удовлетворенность ППС» (назовем ее у7) зависит от нескольких функций: возможность карьерного роста (у71), удовлетворенность корпоративной культурой (у72), заинтересованность в качестве результатов работы (у73) и др. Значения переменных определяются пятью возможными значениями (низкий, ниже среднего, средний, выше среднего, высокий), для которых формируются соответствующие лингвистические термы. Например, низкое значение переменной «удовлетворенность ППС корпоративной культурой» определяется лингвистическим термом типа «да их никто и не спрашивал». После определения лингвистических переменных и их значений потребуется построить систему отношений, преобразующую входы в выходы. Это должна быть система знаний на основе правил «если ... - то ...», отражающих знания эксперта.
Особенность подобных высказываний состоит в том, что их адекватность не изменяется при незначительных колебаниях условий эксперимента. В результате структурной идентификации мы построим чистую экспертную систему, базирующуюся на знаниях эксперта и выбранных нечетких правилах. В данном случае настройке подлежат формы функций принадлежности нечетких термов, с помощью которых оцениваются входы и выходы объекта.
Чем выше профессиональный уровень эксперта, тем выше адекватность нечеткой модели, построенной на этапе грубой настройки. Эта модель названа чистой экспертной системой, поскольку для ее построения используется только экспертная информация. Однако никто не может гарантировать совпадение результатов нечеткого логического вывода (теория) и экспериментальных данных. Поэтому необходим второй этап, на котором осуществляется тонкая настройка нечеткой модели путем ее обучения по экспериментальным данным.
Суть этапа тонкой настройки состоит в подборе таких весов нечетких правил «если ... - то ...» и таких параметров функций принадлежности, которые минимизируют различие между желаемым (экспериментальным) и модельным (теоретическим) поведением объекта. На этапе тонкой настройки формулируется как задача нелинейной оптимизации, которая может решаться различными методами, среди которых наиболее универсальным является наискорейший спуск. Однако, при большом количестве входных переменных и нечетких термов в базе знаний, применение метода наискорейшего спуска требует поиска минимума из разных начальных точек, что существенно увеличивает затраты машинного времени. Поэтому нами предлагается тонкая настройка нечеткой базы знаний с применением генетических алгоритмов оптимизации. Эти алгоритмы являются аналогом случайного поиска, который ведется одновременно из разных начальных точек, что сокращает время поиска оптимальных параметров нечеткой модели.
Для построения модели адекватной реальности, в которой используется большое количество разобщенных числовых данных, нечеткая логика обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Однако в представленной схеме достаточно простое построение базовой экспертной модели предстает чрезвычайно сложной и кропотливой задачей, требующей долгой и вдумчивой оценки основных целей образования, поставленных перед образовательными учреждениями обществом, возлагающим на образование задачи возрождения самого общества.
ЛИТЕРАТУРА
1. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. А. Заде. М.: Мир, 1976. 320 с.
2. Вешнева И.В. Разработка критериев оценки качества дипломных работ для снижения уровня субъективизма в модели, основанной на применении логических функций / И.В. Вешнева // Образование в современном мире: сб. науч. ст. Саратов: Изд-во Сарат. ун-та, 2008. Вып. 3. С. 101-109.
Вешнева Ирина Владимировна -
кандидат физико-математических наук, доцент, доцент кафедры менеджмента в образовании Института дополнительного профессионального образования Саратовского государственного университета им. Н.Г. Чернышевского
Мельников Леонид Аркадьевич -
доктор физико-математических наук, профессор, заведующий кафедрой приборостроения Саратовского государственного технического университета
Статья поступила в редакцию 25.09.09, принята к опубликованию 25.11.09
