CC BY
10Научная статья УДК 37
https://doi.org/10.24412/2658-638X-2023-3-129-134 EDN: https://elibrary.ru/QOCNJW NIION: 2018-0077-3/23-363 MOSURED: 77/27-024-2023-03-562
Область науки: 5. Социальные и гуманитарные науки
Группа научных специальностей: 5.8. Педагогика
Шифр научной специальности: 5.8.7. Методология и технология профессионального образования.
Многослойные нейронные сети как ресурс для развития методологии и технологии профессионального образования
Игорь Анатольевич Кушнаренко1, Александр Сергеевич Эрдниев2
1 2 Московский университет МВД России имени В.Я. Кикотя, Москва, Россия
1 kushnarenko_igor@list.ru
2 konfuci@inbox.ru
Аннотация. Нейронные сети, являясь инструментом обработки больших массивов данных, прочно вошли в повседневную жизнь. Голосовые помощники, умные дома, машинное зрение выступают привычным применением когда-то инновационной технологии. Уже сейчас алгоритмы машинного обучения способны распознавать не только физические образы, но и анализировать эмоции человека. В профессиональном образовании многослойные нейронные сети используются для изменения подходов к управлению и способствуют развитию индивидуальной образовательной траектории обучающегося. Однако потенциал программно-аппаратного математического моделирования можно использовать не только как ресурс для принятия управленческих решений, но и в качестве метода оценки эффективности педагогического эксперимента. Неклассический подход к математической обработке статистических показателей эффективности педагогического проекта обладает значительным потенциалом в условиях компетент-ностной парадигмы в сфере IT-образования.
Ключевые слова: нейронные сети, профессиональное образование, методы анализа и обработки данных, педагогическое моделирование, нейропедагогика
Для цитирования: Кушнаренко И. А., Эрдниев А. С. Многослойные нейронные сети как ресурс для развития методологии и технологии профессионального образования // Психология и педагогика служебной деятельности. 2023. № 3. С. 129-134. https://doi.org/10.24412/2658-638X-2023-3-129-134. EDN: QOCNJW.
Original article
Multilayer neural networks as a resource of the development of methodology and technology of vocational education
Igor A. Kushnarenko1, Aleksander S. Erdniev2
1 2 Moscow University of the Ministry of Internal Affairs of Russia named after VYa. Kikot', Moscow, Russia
1 kushnarenko_igor@list.ru
2 konfuci@inbox.ru
Abstract. Neural networks, being a tool for processing large amounts of data, have become firmly established in everyday life. Voice assistants, smart homes, and computer vision are common uses of once innovative technology. Already, machine learning algorithms are capable of recognizing not only physical images, but also analyzing human emotions. In vocational education, multilayer neural networks are used to change approaches to management and contribute to the development of the student's individual educational trajectory. However, the potential of software and hardware mathematical modeling can be used not only as a resource for making management decisions, but also as a method for assessing the effectiveness of a pedagogical experiment. A non-classical approach to mathematical processing of statistical indicators of the effectiveness of a pedagogical project has significant potential in the context of the competency-based paradigm in the field of IT education.
Keywords: neural networks, professional education, methods of data analysis and processing, pedagogical modeling, neuropedagogics
For citation: Kushnarenko I. A., Erdniev A. S. Multilayer neural networks as a resource for the development of methodology and technology of vocational education // Psychology and pedagogy of service activity. 2023;(3):129-134. (In Russ.). https://doi.org/10.24412/2658-638X-2023-3-129-134. EDN: QOCNJW.
© Кушнаренко И. А., Эрдниев А. С., 2023
Нейронные сети, как одна из трендовых цифровых технологий, являются математическим воплощением модели обработки поступающей в мозг человека информации. Согласно традиционному подходу к определению искусственных нейронных сетей [9, с. 10], под ними понимается система соединенных и взаимодействующих между собой процессоров, используемых для распознавания образов, дискриминантного анализа, методов кластеризации и т. д.
Наиболее доступными словами сформулировал сущность нейронных сетей А. Ф. Зельфикаров [3, с. 881], сравнив вычислительный процесс нейронной сети с алгоритмом определения потребности в посещении досугового мероприятия. Согласно предложенной схеме, ответ по заданным условиям возникает при учете разноплановых параметров: уровень интеллекта выступающего, опыт публичного выступления, коммуникативные качества, уровень юмора и т. д. Важно обратить внимание на необходимость перевода всех признаков в понятные для вычисления значения, т.е. в математические условия, используемые в качестве параметра вычисления. По сути, это и есть процесс
«интеллектуализации» компьютера, в ходе которого человек формализует свои экспертные знания, приводит их к виду, доступному для обработки в компьютерной системе. Таким образом, следует сделать вывод о том, что нейронные сети представляют собой технологию, позволяющую вычислить наиболее оптимальное решение при заданных алгоритмах действий.
Выразительный пример демонстрации принципа построения нейронной сети представлен на рис. 1. Во входном слое каждый нейрон получает условное значение. Для определения взаимосвязи между нейронами входного и скрытого слоев на первоначальном этапе назначается вес случайным образом, в дальнейшем веса изменяются в зависимости от тесноты связи между нейронами. На каждом отдельном слое значения нейронов перемножаются на веса их взаимосвязей с нейроном в следующем слое, при переходе на следующий нейрон суммируются. Программные средства, разработанные на основе нейросетевой математической модели, обеспечивают нивелирование разницы между значениями нейронов выходного слоя и выходными значениями, заданными пользователем.
Рис. 1. Принцип архитектуры нейронной сети
В данном примере рассматривается сущность процесса обучения нейронных сетей. При нахождении коэффициентов связей нейронная сеть выявляет сложные зависимости между входными и выходными данными. Обучение нейронной сети тесно связано с решением задачи по подбору составляющих конфигураций и гиперпараметров [1, с. 15]: количество слоев, количество нейронов в каждом слое, выбор функций активации передачи результата с одного слоя на другой.
Прикладное значение рассматриваемой технологии сложно переоценить. Сегодня нейронные сети применяются в таких областях деятельности, как: экономика и бизнес (прогнозирование поведения рынков, анализ рисков, транзакционные операции и т. д.), медицина (мониторинг состояния пациентов, диагностика, факторный анализ эффективности лечения), авиация (проектирование беспилотных авиационных систем), сотовая связь (оптимизация сетей, кодирование и декодирование), автоматизация производства (оптимизация производственных процессов), социология (прогнозирование поведения социальных систем, прогнозиро-
130 РЕйДООО1СДЬ
вание предвыборной кампании, визуализация миграционных процессов), безопасность (идентификация личности, распознавание физических объектов) и пр.
В последнее время значительный интерес к технологии нейронных сетей проявляют и представители педагогической науки. Большое количество исследований посвящено процессу формирования физических качеств спортсменов. Все больше внимания уделяется возможности прогнозирования и проектирования индивидуальной образовательной траектории с использованием нейротехнологий.
В конце 90-х годов XX века под нейропедагогикой [6, с. 186] понимались в широком смысле знания о закономерностях процессов, происходящих в структурах мозга и психики человека; в узком - система обучения и воспитания, обеспечивающая учет индивидуальных нейропсихологических особенностей обучающегося. Достижение педагогических целей предполагало учет таких особенностей обучающихся, как индивидуальный латеральный профиль, гендерные различия, тип темперамента, тип сенсорно-перцептивной органи-
БС^СЕв
зации опыта, уровень развития высших психических функций. Тем самым нейропедагогика выполняла задачи по организации оптимальных взаимодействий между субъектами образовательного процесса, а гармоничное развитие личности обеспечивалось, в первую очередь, путем учета особенностей функционирования мозга обучающегося.
В настоящее время «вектор нейропедагогики» смещается от учета особенностей функционирования биологической системы к исследованию возможности применения искусственных нейронных сетей для моделирования формирования и развития личности ребенка в образовательном процессе [5, с. 41], где в основе лежат нейронные сети на базе технологий типа МОДУС-НС. В приведенном в работе примере коллектив авторов использует технологию нейронной сети для обработки результатов тестирования обучающихся с целью формирования индивидуальной образовательной траектории.
На основании полученных данных выстраиваетс имитационная модель развития личности ребенка, которая включает: «блок идентификации текущего уровня развития личности ребенка; блок прогнозирования развития личности ребенка; блок дообучения искусственной нейронной сети» [5, с. 44]. Разработанная нейросетевая модель ориентирована на прогнозирование процесса формирования отдельных частей личности, отвечающих за интеллектуальную, эмоциональную и физическую деятельность.
Схожая методика была использована автором в другой работы [4, с. 201] для прогнозирования успеваемости студентов по результатам тестирования множественного интеллекта. На основании разработанной имитационной модели решаются проблемы соответствия способностей абитуриента профилю образовательных программ, реализуемых образовательной организацией.
Весьма показательным является пример применения технологий нейронных сетей для оптимизации тренировочных процессов спортсменов. Технология разрабатывалась для «регистрации уровня спортивной формы и совершенствования двигательного стереотипа для цикличных видов спорта». [8, с. 62] Представленный продукт позволяет оценить уровень физической формы на начальном этапе тренировок и обеспечить разработку индивидуального тренировочного плана. При этом на каждом этапе оценивается уровень развития физических данных. Технология основывается на накоплении параметрических показателей физической активности.
В качестве примера дополнения методов математической статистики нейронными сетями можно привести работу В. И. Токтаровой [11, с. 393]. Для прогнозирования результатов успеваемости студентов автором были использованы следующие виды статистических методов: корреляционный, регрессионный и факторный анализ. В дополнение к традиционным методам математической статистики были использована свер-точная нейронная сеть для многоклассовой классификации. Готовые библиотеки для языка программирования
Python позволили построить нейронную сеть с тремя сверточными слоями. Все проведенные технологические манипуляции были направлены на определение зависимостей результатов успеваемости от показателей активности обучающихся.
Схожий подход был использован для ранжирования по критериям текстовых массивов данных [10]. Двуслойная нейронная сеть (1) на основании алгоритмов машинного обучения AdaBoostClassifier и RandomForestClassifier смогла выполнить задачи по распознаванию семантической нагрузки заголовков, сравнительному анализу информации поступающих данных (текстов) и реализации классификатора ранжирования.
(1)
Двуслойная нейронная сеть прямого распространения содержит в себе нелинейный первый слой и линейный второй слой [2, с. 49]. На первом этапе идентификации формируются массивы обучающих данных, содержащих определения конструируемых терминов. На втором этапе запускается процесс обучения нейронной сети по реконструкции лингвистических контекстов текстовых массивов.
Проведенная работа позволила выявить зависимость уровня сформированности когнитивного и мотивационно-смыслового компонента личности обучающихся с системой профессиональных ценностей квалифицированного специалиста.
Следует отметить, что нейронная сеть в самостоятельном применении зачастую оказывается малоэффективной. Для решения прикладных задач необходимы не только алгоритмы машинного обучения, но и система хранения данных, инструменты визуализации полученных результатов.
Содержание полученного нами программного решения, позволяющего полноценно выполнить прикладные задачи с использованием технологии нейронной сети, представлено на рис. 2.
Разработанная программа состоит из нескольких основных элементов:
1. программный код типа Parser, обеспечивающий поиск значимой текстовой информации;
2. алгоритмы нейронной сети;
3. база данных для хранения информации типа Posgre SQL;
4. WEB-интерфейс приложения, позволяющий визуализировать данные;
5. источник получения информации (сеть Internet, закрытая информационная система, хранилище данных и т. д.).
Реализация технологии осуществляется в последовательности, представленной на рис. 2. Текстовый массив из внешнего источника агрегируется в базе данных. Далее происходит систематизация информации с использованием специализированного программного кода. На следующем этапе отфильтрованная значимая
Рис. 2. Структура программы «Интеллектуальная система ранжирования текстовых массивов на основе анализа семантической нагрузки»
текстовая информация подвергается обработке нейро-сетью. Полученные результаты сохраняются в базе данных и визуализируется в удобной для восприятия пользователями форме.
Реализованная таким образом нейронная сеть была предназначена для оценки эффективности авторской программы педагогического процесса сопровождения формирования профессиональных ценностных ориентиров курсантов Московского университета МВД России имени В.Я. Кикотя. Анализировались тексты эссе на тему: «Я полицейский» респондентов контрольной и экспериментальной группы.
Результаты диагностики показали явное соответствие с данными, полученными при использовании традиционных диагностических методик: «Оценка профессионально-ценностной ориентации личности» Н. А. Самойлик и «Мотивация профессиональной деятельности» К. Замфир в модификации А. А. Реана (табл. 1).
Таблица 1
Обобщенные данные оценки сформированности профессионально-ценностных ориентиров с использованием различных методик
Методика Уровни сформированности
КГ ЭГ КГ ЭГ КГ ЭГ КГ ЭГ
допустимый приемлемый продуктивный продвинутый
Замфир 10 5 14 7 10 21 10 15
Самойлик 12 5 11 7 10 21 11 15
Нейро-сеть 12 4 12 6 11 19 9 17
Несмотря на кажущуюся значительную трудоза-тратность в разработке подобных программных решений, следует отметить, что современные информационные ресурсы позволяют решить проблему не только опытным программистам со специальной подготовкой, но и пользователям, не специализирующимся на написании программных кодов. Открытые программные библиотеки типа Tensorflow позволяют решать задачи по построению и тренировке нейронных сетей с приемлемыми временными затратами. Современные языки программирования типа Python, необходимые для обработки данных, достаточно просты для освоения.
Приведенные примеры моделирования нейронных сетей и разработки полноценных программных решений для реализации прикладных задач в сфере методологии и технологии профессионального образования демонстрируют значительный потенциал изучаемой технологии. Она может рассматриваться не только в качестве альтернативы различным методам математической статистики, используемым для подтверждения эффективности педагогического эксперимента, но и как инструмент для проектирования самого педагогического процесса.
Библиографический список
1. Багаев И. И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15-22.
2. Бураков М. В. Нейросетевая идентификация // Завалишинские чтения 15: Сборник докладов, Санкт-Петербург, 06-10 апреля 2015 года. СПб. : Санкт-
132
PEDAGOGICAL SCIENCES
Петербургский государственный университет аэрокосмического приборостроения, 2015. С. 49-54.
3. Зелинов М. А. Изучение работы нейронных сетей: нейронные сети основы, использование нейронных сетей в экономике // Гуманитарные науки в современном вузе: вчера, сегодня, завтра : материалы международной научной конференции, Санкт-Петербург, 1 2 декабря 2019 года / под ред. С. И. Бугашева, А. С. Минина. СПб. : Санкт-Петербургский государственный университет промышленных технологий и дизайна, 2019. С. 880-885.
4. Казаченок В. В. Применение нейронных сетей в обучении // Информатика и образование. 2020. № 2 (311). С. 41-47.
5. Нейросетевая модель формированияи развития личности ребенка в процессе его обучения в средней школе / С. А. Шептунов, Ю. М. Соломенцев, И. С. Кабак [и др.] // Известия высших учебных заведений. Поволжский регион. Технические науки. 2014. № 4 (32). С. 41-52.
6. Подлиняев О. Л., Морнов К. А. Основы нейро-педагогики // Труды Братского государственного университета. Серия: Гуманитарные и социальные науки. 2015. Т. 1. С. 186-191.
7. Прогнозирование успеваемости студентов по результатам тестирования множественного интеллекта с помощью технологии виброизображения и искусственных нейронных сетей / В. А. Акимов, О. Е. Мартынов, М. С. Куприянов, С. Э. Миронов // Современная психофизиология. Технология виброизображения. 2021. № 1(4). С. 200-209.
8. Ростовцев В. Л., Ростовцев Ф. В., Кряжев С. В. Инновационные технологии оптимизации тренировочного процесса на основе применения «умных» вещей, нейронных сетей и искусственного интеллекта // Вестник спортивной науки. 2020. № 3. С. 60-64.
9. Ростовцев В. С. Искусственные нейронные сети : учебник. Киров : Вятский государственный университет, 2014. 208 с.
10. Свидетельство о государственной регистрации программы для ЭВМ № 2022683640 Российская Федерация. Интеллектуальная система ранжирования текстовых массивов на основе анализа семантической нагрузки: № 2022682021 : заявл. 17.11.2022: опубл. 07.12.2022 / И. А. Кушнаренко, А. С. Эрдниев ; заявитель Федеральное государственное казенное образовательное учреждение высшего образования «Московский университет Министерства внутренних дел Российской Федерации имени В.Я. Кикотя».
11. Токтарова В. И., Попова О. Г., Шашков О. В. Технологии нейронных сетей для прогнозирования успеваемости обучения студентов в электронной информационно-образовательной среде вуза // Цифровая гуманитаристика и технологии в образовании фНТЕ 2022) : Сборник статей III Всероссийской научно-практической конференции с международным участием, Москва, 17-18 ноября 2022 года / под ред. В. В. Рубцова, М. Г. Сороковой, Н. П. Радчиковой. М. : Московский государственный психолого-педагогический университет, 2022. С. 388-398.
Bibliographic list
1. Bagaev I. I. Analysis of the concepts of neural network and convolutional neural network, training of con-volutional neural network using TensorFlow module // Mathematical and software systems in industrial and social spheres. 2020. Vol. 8, No. 1. P. 15-22.
2. Burakov M. V. Neural network identification // Za-valishinsky readings 15: Collection of reports, St. Petersburg, 06-10 April 2015. St. Petersburg : St. Petersburg State University of Aerospace Instrumentation, 2015. P. 49-54.
3. Zelinov M. A. Studying the work of neural networks: neural networks basics, the use of neural networks in economics // Humanities in a modern university: yesterday, today, tomorrow : materials of the international scientific conference, St. Petersburg, December 12, 2019 / edited by S. I. Bugashev, A. S. Minina. Saint Petersburg : Saint Petersburg State University of Industrial Technologies and Design, 2019. P. 880-885.
4. Kazachenok V. V. Application of neural networks in training // Informatics and education. 2020. № 2 (311). P. 41-47.
5. Neural network model of the formation and development of a child's personality in the process of his education in secondary school / S. A. Sheptunov, Yu. M. Sol-omentsev, I. S. Kabak [et al.] // Izvestia of higher educational institutions. Volga region. Technical sciences. 2014. № 4 (32). P. 41-52.
6. Podlinyaev O. L., Mornov K. A. Fundamentals of neuropedagogy // Proceedings of the Bratsk State University. Series: Humanities and Social Sciences. 2015. Vol. 1. P. 186-191.
7. Prediction of students' academic performance based on the results of multiple intelligence testing using vibration imaging technology and artificial neural networks / V. A. Akimov, O. E. Martynov, M. S. Kupriyanov, S. E. Mironov // Modern psychophysiology. Vibration imaging technology. 2021. № 1 (4). P. 200-209.
8. Rostovtsev V. L., Rostovtsev F. V., Kryazhev S. V. Innovative technologies for optimizing the training process based on the use of «smart» things, neural networks and artificial intelligence // Bulletin of Sports Science. 2020. No. 3. P. 60-64.
9. Rostovtse V. S. Artificial neural networks : textbook. Kirov : Vyatka State University, 2014. 208 p.
10. Certificate of state registration of the computer program No. 2022683640 Russian Federation. Intelligent ranking system of text arrays based on semantic load analysis: No. 2022682021 : application 17.11.2022: publ. 07.12.2022 / I. A. Kushnarenko, A. S. Erdniev ; applicant Federal State State Educational Institution of Higher Education «Moscow University of the Ministry of Internal Affairs of the Russian Federation named after V.Ya. Kikot'».
11. Toktarova V. I., Popova O. G., Shashkov O. V. Neural network technologies for predicting student academic performance in the electronic information and educational environment of the university // Digital humanities and technologies in education (DHTE 2022) : Collection of articles of the III All-Russian Scientific and Practical Conference with international par-
ticipation, Moscow, November 17-18, 2022 / Edited by cow : Moscow State Psychological and Pedagogical UniV. V. Rubtsov, M. G. Sorokova, N. P. Radchikova. Mos- versity, 2022. Р. 388-398.
Информация об авторах
И. А. Кушнаренко - профессор кафедры философии Московского университета МВД России имени В.Я. Кико-тя, доктор философских наук, доцент;
А. С. Эрдниев - начальник факультета подготовки специалистов в области информационной безопасности Московского университета МВД России имени В.Я. Кикотя.
Information about the authors
I. A. Kushnarenko - professor of the Department of Philosophy of the Moscow University of the MIA of Russia named after VYa. Kikot', doctor of philosophy, associate professor;
A. S. Erdniev - head of the faculty of training specialists in the field of information security of the Moscow University of the Ministry of Internal Affairs of Russia named after V.Ya. Kikot'.
Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.
Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests.
Статья поступила в редакцию 19.04.2023; одобрена после рецензирования 01.09.2023; принята к публикации 15.09.2023.
The article was submitted 19.04.2023; approved after reviewing 01.09.2023; accepted for publication 15.09.2023.
ПРОФЕССИОНАЛЬНАЯ ЭТИКА СУДЕБНОГО ПРИСТАВА
Профессиональная этика судебного пристава : учебник для студентов, обучающихся по специальностям «Юриспруденция», «Правоохранительная деятельность» / И. И. Аминов, К. Г. Дедюхин, А. Р. Усиевич. М. : ЮНИТИ-ДАНА, 2020. 239 с.
В учебнике отражен один из первых опытов разработки проблем профессиональной этики государственных гражданских служащих ФССП России. Его основное предназначение — способствовать повышению нравственной и правовой культуры работников трех, органически дополняющих друг друга «ветвей» этой службы: судебных приставов по обеспечению установленного порядка деятельности судов; судебных приставов-исполнителей, осуществляющих исполнение актов юрисдик-ционных органов, работников, осуществляющих предварительное расследование в форме дознания по делам, отнесенным к подследственности ФССП России.
С современных позиций рассматриваются основные этические проблемы: сущность морали, категории этики, история нравственных начал в исполнении судебных решений; даются также рекомендации по формированию у сотрудников ФССП России общих и профессиональных компетенций, убеждений, умений и навыков соблюдения моральных и правовых норм в профессиональной деятельности и повседневном поведении.
Для студентов и преподавателей образовательных учреждений Министерства юстиции Российской Федерации. Может быть использован в рамках служебной подготовки сотрудников Федеральной службы судебных приставов.
134
PEDAGOGICAL SCIENCES
