CC BY
88
УДК 004.8
МОДЕЛИ И МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРИНЯТИЯ РЕШЕНИЯ ПРИ ТЕСТИРОВАНИИ СЛУШАТЕЛЕЙ
И.Ф. Астахова, Ю.Л. Фалалеева, К.В. Петров
В статье рассматривается применение нечеткой логики для принятия решения при тестировании слушателей
Ключевые слова: нечеткая логика, дистанционное образование, тестирование, ^'еЪ-технологии с базами данных
Развитие дистанционного образования потребовало создание обучающих,
контролирующих курсов. Аналогичные разработки применяются и для проведения электронной сертификации сотрудников предприятий. К тому же, в связи с высокими темпами развития этого направления большинство аналогичных разработок устарело, так как произошел бурный скачок развития Интернет-технологий.
В данной работе предлагается автоматизированный учебный курс «Базы данных и экспертные системы» и анализ результатов опроса за последние годы. Таким образом, реализация проекта сводится к решению следующих задач:
• подбор теоретических сведений по данному курсу;
• разработку базы данных;
• программной реализации Web-страниц и связь их в единый узел;
• разработку тестов, которые будут представлены при проверке знаний;
• обеспечение хранения результатов тестирования в базе данных;
• принятие решения по результат тестирования и выдача результатов.
В реализацию данного проекта входит задача подбора теоретической части по курсу «Базы данных и экспертные системы» и разработки тестов по данному курсу. Вопросы были разработаны по темам:
• типы данных языка 8рЬ;
• 8РЬ- запросы;
• типы и взаимосвязи моделей данных;
• архитектура клиент/сервер;
• реляционная алгебра и реляционное исчисление;
• вопросы по проектированию базы данных;
• транзакции.
На каждую тему было представлено несколько вариантов вопросов, разработанные вопросы имеют различную сложность. Каждый вопрос имеет несколько вариантов ответов.
Астахова Ирина Федоровна - ВГУ, д-р техн. наук, профессор, тел. (4732) 63-83-14
Фалалеева Юлия Леонидовна - ВГУ, аспирант, тел. 8-961180-72-09
Петров Константин Владимирович - ВГПУ, аспирант, тел. (4732) 78-24-21
Полученные за 2006, 2007 и 2008 года проведения тестирования у студентов 4 курса факультета ПММ ВГУ данные, а также данные, полученные от преподавателей за 2004 и 2005 года, сведены в общую таблицу.
Для удобства восприятия информации на основе табличных данных была сгенерирована гистограмма ответов как видно из гистограмм спрогнозировать четко, на основе имеющейся информации, какие темы требуют наибольшего внимания, не представляется возможным. Принято решение использовать для прогноза методы нечеткой логики и теории нечетких множеств.
Классические методы управления хорошо работают при полностью детерминированном объекте управления и детерминированной среде, а для систем с неполной информацией и высокой сложностью объекта управления оптимальными являются нечеткие методы управления.
Прогнозирование представляет собой научнообоснованное оценивание будущих состояний интересующего нас объекта. Прогнозы могут быть как количественные, так и качественные («завтра будет теплее»), где логично применять теорию нечетких множеств. В данном случае будет даваться количественный прогноз. Нечеткий подход позволяет опираться на любую априорную информацию и давать нечеткое решение, соответствующее по уровню точности и наличию исходных данных.
Учитывая сказанное выше, была использована следующая методика прогнозирования:
1. Определение универсального множества и, которое представляет собой интервал между наименьшей и наибольшей вариациями коэффициентами правильных ответов в группе: И=[Утт-0, Утах+Б], где Утт - наименьшая вариация временного ряда, Утах - наибольшая вариация временного ряда (под термином «вариация» для текущего года имеется ввиду разница между коэффициентами правильных ответов в группе в текущем и предыдущем годах).
2. Деление универсального множества И на
несколько интервалов равной длины, включающих различные значения вариаций: И = {^}
определение середин интервалов и1 ср .
3. Введение лингвистической переменной и определение соответствующих лингвистических
значений А = А1,1 = 1...ш; т.е. определение
множества нечетких множеств Б(1). Нечеткие
множества А1 , в универсальном множестве И определяются с помощью формулы:
цА>1) = 1/(1 + (С(У-иСР ))2;
где С - постоянное число, которое подбирается таким образом, чтобы обеспечить преобразование четких количественных чисел в нечеткие, т.е. их вхождение в [0; 1]:
А = {цА, (и1)Ч,и1 е И, цА, (и1) е [0;1]}
4. Фаззификация исходных данных, т.е.
преобразование четких количественных значений в нечеткие. Эта операция позволяет в значениях функций принадлежности отразить
соответствующие количественным значениям качественные представления об ответах в данной группе:
А1 = {цА, (и1)/и1,..., цА, (ип)/ип}:
цА>1) = 1/(1 + (С(У -иСР ))2;
1 = 1...КД = 1...п,
где К - количество годов, участвующих в прогнозе, У, - вариация года 1 (разница в количестве правильных ответов в группе в 1-году и (1-1) -году), С=СОШ1.
5. Выбор параметра ">0, соответствующего отрезку времени, предшествовавшему текущему году: 1<"<Ь, где Ь - общее число лет, участвующих в расчетах.
6. Вычисление матрицы нечетких отношений:
Я(1) = 0"(1)П К(1), где О" (1) - операционная матрица, содержащая в
качестве строк А, , 1 е [К - ", К], К(1) - матрица-
критерий, размера 1 х ш прогнозируемого года 1.
7. Прогнозирование количества тестируемых студентов:
Б(1) = [шах(К11,...,К„1),..., тах^ш,..., Я*ш)]
8. Деффазификация полученного результата,
т.е. переход от нечетких
значений к четким (количественным), для этого ожидаемая вариацияна текущий год вычисляется по формуле
Воронежский государственный университет Воронежский государственный педагогический
Int (u Х
V (t) = ^------------
'Lvt (ui)
i= 1
В качестве лингвистической переменной была использована переменная «вариация количества правильных ответов в группе», которая имела следующие значения: {(отрицательная значительная вариация), (отрицательная малая вариация), (нет изменений), (малая положительная вариация),
(значительная положительная вариация)}.
Так, например, в 2009 году менее всего правильных ответов будет дано на вопросы из групп «Механизм удаленного доступа с БД», «Модели данных и технология проектирования БД» и «Сложные запросы на языке SQL». Ошибка прогнозирования составляет около 20%.
Для реализации структуры данных были построены концептуальная и физическая модели данных. Указанный проект реализован на языке PHP, база данных создана на MySQL, интерфейс пользователя представляет совокупность взаимосвязанных страниц.
Главным результатом проведенной работы является создание автоматизированного
обучающего и контролирующего курса по базам данных и экспертным системам, который выполняет требуемый круг задач по обучению и тестированию студентов и принятию решений по прогнозу дальнейшего совершенствования курса.
Литература
1. Освой самостоятельно РНР4 за 24 часа/ Мэт Зандстра; пер. с англ.- М.: Издательский дом «Вильямс», 2004 г.-384с.
2. SQL в примерах и задачах: учебное пособие/ И.Ф.Астахова, А.П.Толстобров, В.М.Мельников - М.: ФИЗМАТЛИТ, 2007. - 176с.
3. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. - 166 с.
4. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка
систем нечеткой логики и нечеткого вывода. - М.: Физматлит, 2002. - 256 с.
университет
MODELS AND METHODS OF ARTIFICIAL INTELLECT FOR DECISION SOLUTION AS LISTENER TEST
I.F. Astachova, Ju.L. Falaleeva, K.V. Petrov
The methods of fuzzy logic for decision solution as listener test are applied Key words: fuzzy logic, computer education, testing
