CC BY
17МОДЕЛЬ ПОДГОТОВКИ ВЫПУСКНИКА ВУЗА И ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ОБРАЗОВАТЕЛЬНЫХ ТЕХНОЛОГИЙ
Ю. С. Ризен, А. А. Захарова, М. Г. Минин
Институт кибернетики Национального исследовательского Томского политехнического университета, 634050, Томск, Россия
УДК 517; 3781
Показана актуальность создания модели эффективной подготовки выпускников вузов с целью выбора и формирования оптимальных технологий, представлены основные технологии подготовки выпускников, проанализированы требования к подготовке выпускников, предложена модель эффективной подготовки, представлены методы математического моделирования процесса обучения.
Ключевые слова: математическое моделирование, модель, нечеткая логика, технология, эффективность.
The article shows the need of creation of model of effective training of graduates in order to select the best technology and formation of optimal technologies, shows the main technologies for training graduates, analyzed the requirements for training graduates, shows the model of effective training, the methods of mathematical modeling of the learning process.
Key words: mathematical modeling, model, fuzzy logic, technology, efficiency.
История подготовки инженерных кадров в России способствовала формированию определенных традиций в области выработки критериев и требований к знаниям, умениям и компетенциям этих специалистов. В настоящее время наблюдаются два взаимосвязанных процесса. С одной стороны, глобализация экономики и современные политические реалии привели к отказу от традиционной образовательной модели с присвоением квалификации "инженер" выпускникам вуза, с другой - с ростом производственных возможностей страны потребность в специалистах с квалификацией "инженер" возрастает и будет возрастать в будущем [1]. Поэтому актуальными являются изменения как в процессе подготовки выпускников вуза, так и в оценке их компетенций.
Для того чтобы представить современного выпускника вуза, обучавшегося на основе ФГОС (Федеральный государственный образовательный стандарт) третьего поколения, необходимо определить компетенции выпускника и критерии их оценки, а также рассмотреть все сферы воздействия на студента во время обучения и их взаимодействие. С одной стороны, для того чтобы подготовить грамотного специалиста, образование в вузе должно опираться на науку, поскольку каждая идея должна быть обоснованной и подкрепленной расчетами, логикой.
Рис. 1. Триединство образования, науки и производства
С другой стороны, образование невозможно без решения реальных задач, без проверки идей в промышленности. Для того чтобы теория была жизнеспособной, необходимо провести тестирование и апробацию выводов на реальных данных.
Таким образом, выпускник должен обладать некоторым набором знаний и навыков, которые он сможет применять при решении практических задач. Следовательно, связи образование - наука и образование - производство являются опорой при подготовке высококвалифицированных кадров, и именно образование служит связующим звеном между ними, позволяя расширить горизонты в создании новых технологий и их применении (рис. 1). На рис. 1 представлены научно-производственные связи, где образование может не только стать связующим звеном, но и оказать влияние на результат работы в каждом из выделенных направлений, а именно: при более детальном изучении связей в модели триединства становится возможным эффективное распределение ресурсов, определение компетенций выпускника нового поколения, а также конкретизация критериев его оценки, что позволяет выйти на новый уровень составления образовательных программ и усовершенствовать механизм подготовки выпускников вуза.
В настоящее время существует большое количество технологий подготовки специалистов, имеющих различную степень эффективности. Для того чтобы сделать оптимальный выбор, необходимо рассмотреть различные аспекты связей обучение - производство и обучение - НИР.
С точки зрения взаимодействия науки и образования студент (в течение нескольких лет обучения в университете) может заниматься НИРС, тем самым укрепляя свои базовые знания, приобретая дополнительные знания в изучаемой предметной области, осваивая дополнительные возможности материально-технической базы и предлагая новые решения какой-либо проблемы.
В случае выполнения реального проекта (т. е. в случае взаимодействия с производством) предложенные решения могут быть протестированы и внедрены в реальных условиях, тем самым будет проверена жизнеспособность выдвигаемых предположений. Взгляд на образовательный процесс в университете с точки зрения взаимодействия образование - производство позволяет устранить основные недостатки традиционного обучения, обусловленные неэффек-
тивностью управления познавательной деятельностью студентов, а именно: образование должно быть направлено не на усредненного обучаемого, а на конкретного студента. Для этого преподаватель получает информацию о степени усвоения студентом материала во время аудиторных занятий и самостоятельной работы, после чего закрепляет эти знания в ходе выполнения реального проекта, дополняя их нетривиальными решениями задач в области исследования.
Выполнение реальных проектов с учетом нормативов и требований производства позволяет студенту получить навыки работы в команде, развить самостоятельность, изобретательность, ответственность, что способствует осмыслению деятельности. В свою очередь сотруднику важно осваивать наукоемкие сложные технологии, осуществлять апробацию и внедрение результатов научных исследований при решении практических задач, а также применять результаты (знания и навыки, постановки задач) в образовательном процессе (основное и дополнительное образование).
В результате комплексного взаимодействия в научной сфере будет получено новое решение какой-либо задачи (проблемы); в производственной сфере - готовый продукт (или опытный образец), отвечающий последним требованиям; а в сфере образования подготовлен выпускник, обладающий знаниями, навыками использования этих знаний и опытом выполнения реальных проектов, решения реальных задач.
Таким образом, наиболее высокого результата можно добиться только тогда, когда все три элемента, представленные на рис. 1, являются частью одной системы.
Из сказанного выше следует, что предложенная модель позволяет выбрать и сформировать оптимальный набор технологий для подготовки выпускника в определенные сроки, так как обучение - это процесс усвоения (овладения) знаний, умений, навыков на требуемом уровне за определенный период (под уровнем усвоения понимается степень мастерства овладения деятельностью, достигнутая учащимся за время обучения).
Определив требуемый уровень усвоения и ограничив временные рамки сроками обучения в вузе, зададим границы (в терминологии математики) для получения желаемого результата. Поскольку результат является совокупным, имеет смысл выделить его составляющие (по таксономии Блума):
- когнитивную (познавательную);
- психомоторную;
- аффективную (ценностно-эмоциональную).
Учитывая, что психомоторная и аффективная составляющие формируются не только в университете, но и в семье и обществе в целом, рассмотрим более подробно когнитивную составляющую, формированию которой уделяется большее внимание в вузах.
Реализация компетентностного подхода требует внесения серьезных корректив в использовавшиеся до настоящего времени модели квалификационных характеристик выпускника и описания требований к его знаниям, умениям и навыкам [2].
Рис. 2. Схема эффективного образования
Общеевропейские подходы к выработке общего понимания содержания квалификаций и результатов обучения основаны на компетентностном подходе и попытках четко установить в терминах компетенций соответствия в триаде требования к подготовке - содержание образовательной программы - результаты обучения.
Условием создания единой Европейской рамки квалификаций (ЕРК) является наличие согласованной, ясной для всех стран, простой в применении системы дескрипторов, используемых при формировании требований к знаниям, умениям и широким компетенциям выпускников на каждом из восьми определенных в ЕРК квалификационных уровней.
На семинаре в Копенгагене (январь 2005 г.) рабочая группа по Болонскому процессу предложила основанную на так называемых Дублинских дескрипторах структуру описаний требований к выпускникам трехцикловой системы уровней общеевропейского пространства высшего образования [3], проанализировав которую можно сделать вывод, что в конечном счете выпускник вуза должен пройти следующие ступени (в порядке возрастания сложности освоения): 1) знание; 2) понимание; 3) применение; 4) анализ; 5) синтез; 6) оценка.
Кроме того, если сопоставить указанные ступени с предложенными квалификациями, то можно сделать вывод, что ступени 1 и 2 соответствуют базовому уровню, получаемому в университете, ступень 3 соответствует стадии практической работы, ступень 4 - занятиям НИРС, а ступени 5 и 6 - результат эффективной работы во всех направлениях (обучение, проектная работа, НИРС) (рис. 2). На рис. 2 показаны взаимодействие трех сфер и навыки, приобретаемые в совокупности, кроме того, достаточно четко прослеживается последовательность освоения стадий "роста" выпускника. Следовательно, чтобы формализовать процесс "роста", можно представить описанное выше в виде моделей нечеткой логики с учетом времени освоения того или иного этапа (т. е. разложить последовательность), поскольку к числу преимуществ применения
Если дистанция близко и направление правое тогда рулевой угол резко влево
о
К
о Ц
и
Л
оч §
X
о ш я а С
а С
\ Дистанция
Очень\ близко ) _Близко_ Средняя Далеко
Резко влево ■ * Резко влево ■ ■ Влево 1 ■ Прямо *
Резко влево Влево Влево ' / ■ Прямо <
Резко вправо Резко вправо Вправо1 / 1 Прямо
Если дистанция далеко тогда рулевой угол прямо Рис. 3. Таблица нечетких правил
нечеткой логики относится возможность создания систем управления для объектов, алгоритмы функционирования которых трудноформализуемы методами традиционной математики.
В основе нечеткой логики лежит теория нечетких множеств, в которой функция принадлежности элемента множеству не бинарна (да или нет), а может принимать любое значение в диапазоне от 0 до 1. Это позволяет определять нечеткие по характеру понятия "хороший", "высокий", "слабый" и т. д. Нечеткая логика позволяет выполнять с такими величинами весь спектр логических операций: объединение, пересечение, отрицание и др. Нечеткая логика дает возможность строить базы знаний и экспертные системы нового поколения, способные хранить и обрабатывать неточную информацию [4].
По сравнению с традиционными методами анализа и вероятностным подходом методы нечеткого управления позволяют быстро проводить анализ задачи и получать результаты с высокой точностью. Особенностями алгоритмов решения задач методами нечеткой логики является наличие некоторого набора утверждений (правил), каждое правило состоит из совокупностей событий (условий) и результатов (выводов) [5]. Например, можно ввести две лингвистические переменные: дистанция (расстояние до помехи) и направление (угол между продольной осью робота и направлением на помеху), условия для которых будут определены следующим образом: для дистанции - очень близко, близко, средняя, далеко, для направления - левое, прямо, правое (рис. 3). Каждая запись соответствует нечеткому правилу, например: если дистанция близко и направление правое, тогда рулевой угол резко влево. В данном примере результатом будет "резко влево". Аналогично задается результат для других наборов совокупностей событий (условий).
Иными словами, чтобы использовать модель нечеткой логики для повышения эффективности результатов в образовании, необходимо определить правила корректировки ситуации в образовательном процессе, учитывающие определенный уровень компетенций и время их освоения. Это позволит распределить ресурсы во времени наиболее оптимально.
40 50 100
Рис. 4. Лингвистическая переменная и функция принадлежности
Осуществив постановку задачи в терминах правил, состоящих из условий и выводов, необходимо провести их обработку по специальным алгоритмам. Идея обработки состоит в преобразовании (фазификации fz) нечетких значений условий и выводов в количественную форму. Например, в рассмотренном случае расстоянию 40 см можно задать степень принадлежности к состоянию "очень близко", равную 0,7, а к состоянию "близко" - 0,3 (рис. 4) [4, 5]. Конкретное определение степени принадлежности можно выполнить только при работе с экспертами (либо по результатам "контрольных точек" в образовательной сфере).
Для подобных преобразований используются различного рода функции принадлежности: треугольные, трапецеидальные, колоколообразные и др. Выбор типа функции зависит от решаемой задачи. По аналогии с интегральными преобразованиями Лапласа, Фурье и др. операция fz может быть интерпретирована как переход в другое пространство. В новом пространстве проводится обработка нечетких переменных с использованием логических операций. В теории управления наиболее часто используется принцип максимина (алгоритм Мамдани) [4] - наиболее распространенный способ логического вывода в нечетких системах. В нем используется минимаксная композиция нечетких множеств. Данный механизм включает следующую последовательность действий [6]:
1. Процедура фазификации: определяются степени истинности, т. е. значения функций принадлежности для левых частей каждого правила (предпосылок). Для базы правил с m правилами степени истинности обозначаются следующим образом: Aik(xk), i=1,...,m, k=1,...,n.
2. Нечеткий вывод. Сначала определяются уровни "отсечения" для левой части каждого из правил:
<*г = min( Aik (Xk Ж
i
а затем усеченные функции принадлежности
В* (y) = mm(a,Bi (y)) .
3. Композиция, или объединение полученных усеченных функций. Для этого используется максимальная композиция нечетких множеств
MF (y) = max (В/(y)) ,
i
где MF(y) - функция принадлежности итогового нечеткого множества.
4. Дефазификация, или приведение к четкости. Существует несколько методов дефазифика-ции, например метод среднего центра, или центроидный метод:
MF (y ) = max (В/( y)) .
i
Рис. 5. Схема нечеткого вывода по Мамдани
Геометрический смысл этого значения - центр тяжести для кривой
Графическая реализация описанного алгоритма представлена на рис. 5.
Затем полученный результат логической обработки с использованием обратного преобразования (дефазификации dfz) переводится в исходное пространство числовых переменных [4].
Иными словами, возвращаясь к примеру с выпускником вуза, систему можно представить в общем виде следующим образом: разбить образовательный процесс на составляющие, соответствующие рис. 1 (знание и понимание (51); применение (£2); анализ, синтез, оценка (£3)); описать функцию принадлежности в общем виде для каждой из составляющих следующим образом (рис. 6): по оси у отложить уровень освоения определенной ступени (£1, £2 или £3), а по оси * -время освоения этой ступени. Тогда запишем систему в общем виде
'общ = *1 + *2 + <31
* 2 = 1(У1 )>
<3 = 1 (Ур у2 )•
Время освоения каждого следующего этапа зависит от уровня владения предыдущей ступенью, поэтому для эффективной работы значение общего времени должно быть максимально возможным, что означает стремление переменной *общ к пределу, заданному сроками обучения в вузе.
Иными словами, принцип работы алгоритма Мамдани заключается в смещении центра тяжести по оси времени к предельному значению (заданному сроками обучения в вузе) при повышении итогового уровня компетенций, т. е. при повышении эффективности результата.
Рис. 6. Функция принадлежности в общем виде
В дальнейшем для определения пороговых значений (степени принадлежности) по времени для каждого уровня сложности потребуется проведение эксперимента. Это позволит математически описать различные вариации работы системы эффективного развития выпускника во всех направлениях.
Подобный способ моделирования процесса подготовки выпускника вуза позволяет сделать модель универсальной, корректировать и изменять входные и выходные параметры для оптимизации работы системы, принятия правильных управленческих решений, а также способствовать достижению наиболее эффективного результата.
Российская педагогическая наука имеет богатые традиции исследований в области формализации требований к профессиональной подготовленности выпускников образовательных заведений. Поэтому переход от традиционного к компетентностному подходу для описания требований к образовательной программе и результатам ее освоения не грозит какими-либо издержками профессиональному образованию. Но он будет способствовать сближению позиций и взаимопониманию с зарубежными коллегами в этой области в России [2].
Список литературы
1. Чубик П. С., Чучалин А. И., Замятин А. В. Система международной сертификации и регистрации профессиональных инженеров // Высш. образование в России. 2011. № 4. С. 86.
2. Бардач Д. Актуальные вопросы интернациональной гармонизации образовательных систем / Д. Бардач, Б. А. Сазонов. М.: Москва, 2007.
3. Байденко В. И. Болонский процесс: проблемы, опыт решения. М.: Исслед. центр пробл. качества подгот. специалистов, 2006.
4. Бекузаров И. Нечетко-логические модели и алгоритмы. Владикавказ, 2001. [Электрон. ресурс]. http://www.ref.by/refs/49/10030/Lhtml.
5. Базовые понятия нечеткой логики. [Электрон. ресурс]. http://fuzzyfly.chat.ru/teor.htm.
6. Технологии анализа данных. [Электрон. ресурс]. http://www.basegroup.ru/library/analysis/-fuzzylogic/math/.
Ризен Юлия Сергеевна - инж. Института кибернетики Томского политехнического университета; тел.: (382-2) 42-06-98; e-mail: yulja_vit@tpu.ru;
Захарова Алена Александровна - д-р техн. наук, зав. кафедрой, зав. лаб. Института кибернетики Томского политехнического университета; тел.: (382-2) 42-06-98; e-mail: zaa@tpu.ru;
Минин Михаил Григорьевич - д-р пед. наук, проф., зав. кафедрой Томского политехнического университета; тел.: (382-2) 56-33-02
Дата поступления - 28.08.12 г.
