CC BY
57
Найденные решения можно сохранить в текстовом файле или базе данных. Кроме того, может быть сформирован отчет о результатах вывода по заданной пользователем форме.
Заключение
Инструментальный комплекс <^тЕ$ВР» предоставляет непрограммирующему пользователю удобные средства для быстрого создания прототипов экспертных систем в статических предметных областях. Используемый данным инструментарием язык представления модели предметной области позволяет описывать различные виды зависимостей между параметрами модели. Встроенный механизм логического вывода может быть использован для решения задач интерпретации, поиска допустимого решения и поиска оптимального решения. Используемые при этом алгоритмы прямого и обратного вывода обеспечивают более высокую скорость вычислений по сравнению с традицион-
ными алгоритмами прямого и обратного вывода на системе продукций за счет структурирования исполняемых утверждений.
Удобный пользовательский интерфейс и сервисные возможности (развитая справочная система, настройка опций, подсистема объяснений и формирования отчетов) облегчает пользователю создание базы знаний, ее тестирование и проведение экспериментов. Для создания коммерческой экспертной системы на базе прототипа, построенного средствами данного комплекса, можно использовать не только базу знаний, но и блок вывода решений, реализованный в виде отдельной СОМ-компоненты. Необходимо лишь разработать оригинальный интерфейс.
Комплекс «WinESISP» был использован для создания прототипа экспертных систем оценки финансово-экономического состояния предприятия на основе данных бухгалтерской отчетности, а также прототипа системы оценки уровня энергетической эффективности региона.
СПИСОК ЛИТЕРАТУРЫ
1. Силич М.П. Метод формирования гибридных моделей для построения экспертных систем // В сб.: Автоматическое и автоматизированное управление сложными системами. - Томск: Изд-во Том. ун-та, 1998. - С. 126-131.
2. Силич М.П. Системная технология: объектно-ориентированный подход. - Томск: Том. гос. ун-т систем управления и радиоэлектроники, 2002. - 224 с.
3. Силич М.П., Хабибулина Н.Ю. Поиск решений на модели функциональных отношений // Информационные технологии. - 2004. - № 9. - С. 27-33.
4. Силич В.А., Силич М.П. Использование “ЭСИСП” для создания экспертных систем и в обучении // В сб.: Автоматизация проектирования, идентификация и управление в сложных системах. - Томск: НТЛ, 1997. - С. 134-144.
5. Силич В.А., Хабибулина Н.Ю. Инструментальный программный комплекс создания гибридных экспертных систем, основанных на функциональных сетях // В сб.: Интеллектуальные автоматизированные системы проектирования, управления и обучения. - Томск: НТЛ, 2000. - С. 200-213.
6. Силич В.А., Силич М.П., Толмачев И.А., Хабибулина Н.Ю. Пакет программ для формирования гибридных моделей принятия решений на основе декларативной модели предметной области // В сб.: Автоматизация проектирования, идентификация и управление в сложных системах. - Томск: НТЛ, 1997. -С. 126-133.
7. Силич В.А., Силич М.П., Хабибулина Н.Ю., Чурсин А.В. Инструментальный комплекс «WinESISP». Свидетельство в Отраслевом фонде алгоритмов и программ № 3154 от 04.02.2004 г.
УДК 612.821.11.35
МОДЕЛИРОВАНИЕ РАЗВИТИЯ ИНТЕЛЛЕКТУАЛЬНОЙ КОМПЕТЕНТНОСТИ СТУДЕНТОВ
О.Г. Берестнева
Томский политехнический университет E-mail: [email protected]
Продемонстрирована эффективность применения регрессионных моделей для решения задачи прогнозирования интеллектуальной компетентности студентов. Рассмотрено несколько видов моделей. Показано, что учет гендерного фактора повышает качество прогностической регрессионной модели, причем наиболее эффективным является введение в модель фиктивных переменных.
Введение
Попытки предсказать реальные достижения в той или иной предметной области у взрослых людей на основе показателей психометрического интеллекта в виде величины /0 часто заходят в тупик. Так, результаты проспективных исследований (когда выборка обследуется с помощью психоме-
трических тестов интеллекта задолго до того, как ее участники смогут продемонстрировать реальные интеллектуальные достижения в тех или иных профессионально ориентированных видах деятельности) показывают, что величина коэффициента корреляции уровня «общего интеллекта» (в виде показателя коэффициента интеллекта - /0) с профессиональными успехами составляет около 0,30 [1].
Перенос исследований в область особенностей функционирования интеллекта в условиях обучения в высшем учебном заведении обусловил актуальность проблемы интеллектуальной компетентности (интеллектуальных ресурсов человека, обеспечивающих высокий уровень достижений в условиях его реальной, в том числе учебной деятельности). При этом возникла необходимость разрешения следующего противоречия: почему, с одной стороны, студенты с высокими показателями когнитивных способностей далеко не всегда достигают успеха в реально ориентированных видах деятельности (в иной формулировке - почему показатели психометрического интеллекта в виде /0 слабо “предсказывают” реальные интеллектуальные достижения) и, с другой стороны, студенты с высокой академической успеваемостью демонстрируют эффект “порога интеллекта”, поскольку их /0, как правило, не превышает 120 [2, 3].
В предыдущих исследованиях нами было показано, что интеллектуальная компетентность предполагает, наряду с когнитивными способностями, сформированность такого компонента метакогни-тивного опыта, как непроизвольный интеллектуальный контроль процессов переработки информации [4]; фактор пола опосредует связь когнитивных и стилевых (метакогнитивных) свойств интеллекта по отношению к реальным интеллектуальным достижениям [5]. Основной задачей настоящего исследования было определение симптомокомплекса интеллектуальных качеств, необходимых для успешной интеллектуальной самореализации в студентов технических специальностей как целостную систему когнитивных и стилевых (метакогнитив-ных) свойств интеллекта. Для решения поставленной задачи был выбран метод регрессионного анализа, построены и проанализированы линейные регрессионные модели с несколькими переменными. В качестве прогнозируемой величины (зависимой переменной в регрессионной модели) введена переменная трех, характеризующая наличие либо отсутствие у студентов реальных интеллектуальных достижений. Для построения моделей были использованы результаты экспериментального исследования, проведенного в двух технических университетах г. Томска (Томский политехнический университет и Томский государственный университет систем управления и радиоэлектроники).
Этапы построения регрессионной модели
Можно выделить шесть этапов построения регрессионных моделей: постановочный, априорный, этап параметризации, информационный, этапы идентификации и верификации модели.
Остановимся подробнее на каждом из этих этапов и рассмотрим проблемы, связанные с их реализацией.
1-й этап (постановочный). Формируется цель исследования, набор участвующих в модели переменных.
При выборе переменных необходимо теоретическое обоснование каждой переменной (при этом ре-
комендуется, чтобы число их было не очень большим и, как минимум, в несколько раз меньше числа наблюдений). Объясняющие переменные не должны быть связаны функциональной или тесной корреляционной зависимостью, так как это может привести к невозможности оценки параметров модели или к получению неустойчивых, не имеющим реального смысла оценок, т.е. к явлению мультиколлинеарности.
2-й этап (априорный). Проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации.
3-й этап (параметризация). Осуществляет непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей.
Основная задача, решаемая на этом этапе, выбор вида функции, в частности, возможность использования линейной модели как наиболее простой и надежной. Весьма важной проблемой на этом (и предыдущих) этапе моделирования является проблема спецификации модели, в частности: выражение в математической форме обнаруженных связей и соотношений; установление состава экзогенных и эндогенных переменных, в том числе лаговых; формулировка исходных предпосылок и ограничений модели. От того, насколько удачно решена проблема спецификации модели, в значительной степени зависит успех всего моделирования.
4-й этап (информационный). Осуществляется сбор необходимой статистической информации.
(ХА,..Л; Га, ^,...Л), /=1,...,«.
Здесь могут быть наблюдения, полученные как с участием исследователя, так и без его участия ( в условиях активного или пассивного эксперимента).
5-й этап (идентификация модели). Осуществляется статистический анализ модели и оценка ее параметров.
6-й этап (верификация модели). Проводится проверка истинности, адекватности модели. Выясняется, насколько удачно решены проблемы спецификации, идентификации и идентифицируемости модели, какова точность расчетов по данной модели, в конечном счете, насколько соответствует построенная модель моделируемому реальному объекту или процессу.
Постановочный и априорный этапы.
Параметризация модели
Основная цель исследования - получение модели, отражающих зависимость успешной интеллектуальной самореализации студентов технических специальностей от когнитивных и стилевых (мета-когнитивных) свойств интеллекта; определение (на основе анализа построенной модели) симптомо-комплекса интеллектуальных качеств, необходимых для успешной интеллектуальной самореализации.
С позиции регрессионного анализа критериальный показатель у рассматривается как зависимая переменная, которая выражается функцией
“независимых” признаков х1,х2,...,хш. В нашем случае, в качестве зависимой переменной введена переменная трех, характеризующая наличие либо отсутствие у студентов реальных интеллектуальных достижений. Набор независимых переменных х1,х2,...,хш сформирован на основе результатов наших предыдущих исследований [4-7]. Использовались показатели интеллектуальной шкалы Амтхау-эра, характеризующие уровень сформированности когнитивных способностей ( успешность выполнения субтеста 2 «Способность к понятийной абстракции»; успешность выполнения субтеста 6 «Способность к индуктивному мышлению при выявлении закономерности в числовых рядах»; уровень общего психометрического интеллекта в виде коэффициента 10). Кроме того, в набор независимых переменных х1,х2,...,хш вошли показатели некоторых методик для диагностики стилевых свойств интеллектуальной деятельности (методика «Включенные фигуры» Уиткина для измерения когнитивного стиля полезависимость/поленезависимость; методика «Сравнение похожих рисунков» Кагана для измерения когнитивного стиля импульсивность/рефлективность; методика «Словесно-цветовая интерференция» Струпа для измерения когнитивного стиля ригидность/гибкость познавательного контроля. Полный набор переменных представлен в табл. 1.
Таблица 1. Описание и обозначение используемых переменных
Обозначение Описание
uspex Классификационный признак
pol Пол (0 - мужской; 1 - женский)
iq Показатель общего интеллектуального развития IQ
iqv Способность к понятийной абстракции
idt Способность к индуктивному мышлению
t1 Время чтения 1-ой карты в тесте Струпа
t2 Время чтения 2-ой карты в тесте Струпа
t3 Время чтения 3-ей карты в тесте Струпа
if Интерференция сенсорно-перцептивных и вербальных функций (?3Д2)
int Интеграция сенсорно-перцептивных и вербальных функций Ш-(1)
time Время принятия решения в тесте Кагана
er Рефлективность (количество ошибок в тесте Кагана)
uitl Время выполнения 1-ой половины теста Уиткина
uit2 Время выполнения 2-ой половины теста Уиткина
nk2 Имплицитная обучаемость (тест Уиткина)
Как видно из табл. 1, все выбранные независимые переменные (за исключением переменной pol) измерены в шкале отношений (количественные признаки). Необходимость введения переменной pol обусловлена существующими гендерными различиями в развитии интеллектуальной компетентности [2, 4, 5]. Переменная pol измерена в номинальной шкале, это дихотомическая переменная, которая принимают всего два значения: «0» для женщин и «1» для мужчин. С другой стороны переменная pol представляет собой так называемую “фиктивную” переменную [8], введение которых в регрессионную модель позволяет оценивать влия-
ние значений количественных переменных и уровней качественных признаков с помощью одного уравнения регрессии.
С учетом проведенного ранее анализа взаимосвязей между переменными взаимосвязей между переменными xbx2,...,xm, для решения поставленной задачи была выбрана линейная регрессионная модель вида
yx=a+blxl+b2x2+...+bmxm, (1)
где a,b1,b2,...,bm - параметры уравнения, определяющего соотношение между аргументами x1,x2,x3,...,xm и функцией yx.
Информационный этап моделирования.
Идентификация и верификация модели
Сбор экспериментальных данных проводился на базе Томского политехнического университета и Томского университета систем управления и радиоэлектроники. В качестве испытуемых выступали студенты старших курсов в возрасте от 21 до 27 лет (всего 127 человек). К числу интеллектуально компетентных лиц были отнесены студенбты, которые имели реальные достижения в интеллектуальной деятельности в виде участия в научных программах факультетского либо университетского уровня; выступление на Всероссийских и международных конференциях; научные публикации; международные стажировки, наличие именных стипендий. Перечисленные выше критерии использовались в сочетании с экспертными оценками преподавателей, т.е. проводилось анкетирование экспертов с целью формирования группы испытуемых с реальными интеллектуальными достижениями (группа «успешных» составила 39 чел.). В контрольную группу вошли успешно обучающиеся студенты старших курсов тех же вузов и факультетов (88 чел.).
Для нахождения параметров a,b1,b2,...,bm регрессионной модели (1) использовался метод наименьших квадратов. Требование метода наименьших квадратов заключается в том, что теоретические точки линии регрессии yx должны быть получены таким образом, чтобы сумма квадратов отклонений от этих точек для эмпирических наблюдений y была минимальной, т.е.
0=S(y-yx)2=Qm,
Все расчеты проводились на базе прикладного статистического пакета Statgraphics Plus for Windows [9]. Полученные результаты приведены в табл. 2-5. Было построено 4 вида моделей: 1) общая модель без учета гендерного фактора (табл. 2); 2) модель развития интеллектуальной компетентности для мужчин (табл. 3); 3) модель развития интеллектуальной компетентности для женщин (табл. 4); 4) общая модель с учетом гендерного фактора (табл. 5).
Как видно из таблиц 2-5, в модели не включена переменная T3, поскольку было установлено, что она является линейной комбинацией других переменных.
Таблица 2. Параметры регрессионной модели, построенной для общей выборки
Наименование переменных Значения коэффици- ентов Стандартная ошибка t-статистика Уровень значимости
const 0,51 3,09 0,16 0,86
T2 0,02 0,05 0,38 0,70
T1 -0,06 0,08 -0,79 0,43
Er -0,01 0,01 -1,26 0,22
If -0,004 0,007 -0,57 0,57
Int -0,99 2,19 -0,45 0,65
iq 0,009 0,01 0,74 0,46
Iqt -0,004 0,008 -0,55 0,58
Iqv 0,01 0,009 1,99 0,05
Nk2 0,72 0,39 1,83 0,08
Time -0,009 0,007 -1,33 0,19
Uit1 -0,02 0,01 -1,33 0,19
Uit2 0,04 0,02 2,10 0,04
Uspex = 0.51 + 0.0212 - 0.06 i1-0.01er- 0.004 if- 0.99 int +0.009 iq - 0.004 iqt + 0.01 iqv+ 0.72 nk2 - 0.009 time-0.02 uitl+ 0.04 uit2
Таблица 3. Параметры регрессионной модели, построенной для выборки мужчин
Наименование переменных Значения коэффици- ентов Стандартная ошибка t-статистика Уровень значимости
const -8,61 5,94 -1,44 0,18
T2 -0,07 0,10 -0,71 0,49
T1 0,09 0,15 0,60 0,56
Er -0,08 0,04 -1,86 0,09
If -0,005 0,009 -0,53 0,60
Int 2,80 4,49 0,62 0,55
iq 0,03 0,02 1,46 0,18
Iqt 0,03 0,02 1,73 0,12
Iqv -0,01 0,01 -0,80 0,44
Nk2 0,62 0,63 0,99 0,35
Time -0,008 0,009 -0,91 0,38
Uit1 -0,01 0,03 -0,46 0,65
Uit2 0,09 0,06 1,31 0,22
Uspex=-8.61-0.07 t2+0.09 t1-0.08 er-0.005 if+2.80 int+0.03 iq+0.03 iqt-0.01 iqv+0.62 nk2-0.008 time-0.01 uitl+0.09 uit2
Таблица 4. Параметры регрессионной модели, построенной для выборки женщин
Таблица 5. Параметры регрессионной модели, построенной для общей выборки (введение в модель фиктивной переменной pol)
Наименование переменных Значения коэффици- ентов Стандартная ошибка t-статистика Уровень значимости
const -2,62 0,75 -3,50 0,001
Er -0,01 0,01 -1,20 0,23
If -0,002 0,003 -0,55 0,58
Int -0,01 0,19 -0,06 0,95
Iq 0,01 0,009 1,59 0,11
Iqt 0,006 0,005 1,10 0,27
Iqv 0,007 0,007 0,98 0,32
Nk2 0,51 0,21 2,35 0,02
pol -0,24 0,12 -1,95 0,05
time -0,004 0,004 -0,97 0,33
Uit1 -0,01 0,01 -0,75 0,45
Uit2 0,02 0,01 1,89 0,06
Uspex=-2,62-0,01 er-0,002if-0,01int+0,01iq+0,006iqt+ 0,007iqv+0,51nk2-0,24pol-0,004time-0,01uit1+0,02uit2
Анализ результатов
Основными показателями качества регрессионной модели являются: остаточная сумма квадратов (Д2), несмещенная оценка дисперсии ошибки (л 2£), оценка дисперсии прогнозируемой переменной (о2у), коэффициент детерминации (Л2), оценки дисперсии коэффициентов регрессии (лы, яа).
Коэффициент детерминации Я2 показывает долю общего разброса у относительного среднего, объясняемую регрессией. Обычно, величину Я2 измеряют не в долях единицы, а в процентах. Чем ближе значение Я к ста процентам, тем лучше подобранная модель описывает данные эксперимента. Для проверки гипотезы о равенстве коэффициентов Ы1 нулю использовалось /-отношение, вычисляется как частное от деления средних квадратов относительно модели на средние квадраты ошибок. С помощью этой статистики проверяется гипотеза Н0: Ы1=Ы2=...=Ыш=0, т. е. гипотеза о том, что совокупность признаков х1,х2,...,хш не улучшают описание критериального показателя по сравнению с тривиальным описанием у=у. В табл. 6 приведены значения основных показателей качества (коэффициент детерминации, /-отношение и соответствующий уровень значимости) для всех четырех регрессионных моделей.
Наименование переменных Значения коэффици- ентов Стандартная ошибка t-статистика Уровень значимости
const -3,31 2,24 -1,47 0,14
T2 -0,01 0,03 -0,29 0,76
T1 0,009 0,05 0,17 0,86
Er -0,01 0,01 -1,48 0,14
If -0,0005 0,004 -0,12 0,90
Int 0,41 1,57 0,26 0,79
Iq 0,01 0,009 1,39 0,16
Iqt 0,007 0,006 1,19 0,23
Iqv 0,008 0,007 1,10 0,27
Nk2 0,42 0,25 1,64 0,10
Time -0,002 0,004 -0,60 0,54
Uit1 -0,01 0,01 -0,81 0,41
Uit2 0,02 0,01 1,63 0,11
Uspex=-3,31-0,01 12+0,009 t1-0,01 er-0,0005 if+0,41 int+0,01 iq+0,007 iqt+0,008 iqv+0,42 nk2-0,002 time-0,01 uit1+0,02 uit2
Таблица 6. Показатели качества регрессионных моделей
Модель Коэффициент детерминации, % F-стати- стика Уровень значимо- сти
Общая без учета гендерного фактора 49,86 3,4 0,0017
Развития интеллектуальной компетентности у мужчин 66,55 2,31 0,05
Развития интеллектуальной компетентности у женщин 76,36 2,21 0,08
Общая с учетом гендерного фактора 63,07 3,77 0,0006
В регрессионном анализе проверяется и другая гипотеза: о равенстве нулю каждого из коэффициентов регрессии в отдельности Н0: Ы=0 с использованием /-критерия (значения /-статистики и уровня значимости приведены в табл. 2-5).
Таким образом, с точки зрения показателей качества регрессионной модели, самой «плохой» оказалась общая модель без учета гендерного фактора.
Анализ полученных регрессионных моделей позволил также выявить наиболее информативные признаки, т.е. переменные, которые вносят наибольший вклад в формирование зависимой переменной Плрех. Во всех четырех моделях в число первых пяти наиболее информативных признаков
вошли int (интеграция сенсорно-перцептивных и вербальных функций); uitl (время выполнения 1-ой половины теста Уиткина); uit2 (время выполнения 2-ой половины теста Уиткина); tl (время чтения 1-ой карты в тесте Струпа); пк2 (имплицитная обучаемость). Все эти переменные являются характеристиками когнитивных стилей, что экспериментально подтвердило теоретические положения из [2] о том, что развитие интеллектуальной компетентности предполагает сформированность метакогнитивных процессов, в том числе способностей планировать, оценивать, контролировать, отслеживать процессы переработки информации.
Работа выполнена при финансовой поддержке РФФИ, проект № 03-06-80128.
СПИСОК ЛИТЕРАТУРЫ
1. Трост Г. Возможность предсказания выдающихся успехов в школе, в университете, на работе // Иностранная психология. - 1999. - № 11. - С. 19-27.
2. Холодная М.А. Психология интеллекта: Парадоксы исследования. - 2 изд., перераб и доп. - СПб.: Питер, 2002. - 290 с.
3. Берестнева О.Г., Марухина О.В. Прогнозирование успешности обучения студентов на основе неоднородной последовательной процедуры распознавания // Компьютерное моделирование 2003: Труды 4 Междунар. научно-техн. конф. - СПб.: Нестор, 2003. - С. 449-451.
4. Холодная М.А., Берестнева О.Г., Кострикина И.С. Когнитивные и метакогнитивные предпосылки интеллектуальной компетентности в научно-технической деятельности // Психологический журнал. - 2005. - № 1. - С. 54-59.
5. Берестнева О.Г, Марухина О.В., Кирядшова О.Н. Исследование психологических особенностей успешной интеллектуальной самореализации студентов старших курсов // Психолого-педаго-
гические исследования в системе образования: Труды 1 Всеросс. научно-практ. конф. Ч. 3. - Пенза: Приволжский Дом знаний, 2003. - С. 263-265.
6. Берестнева О.Г., Муратова Е.А., Кострикина И.С. Применение современных информационных технологий в задачах психологии интеллекта // Интеллектуальные системы: Труды Междунар. научно-техн. конф. 1ЕЕЕ АВ’03 CAD-2003. «Интеллектуальные САПР». - М.: Физматлит, 2003. - Т. 2.- С. 236-239.
7. Берестнева О.Г, Муратова Е.А., Янковская А. Е. Анализ структуры многомерных данных методом локальной геометрии // Известия Томского политехнического университета. - 2003. -Т. 306. - № 3. - С. 19-23.
8. Орлов А.И. Эконометрика: Учебное пособие / А.И. Орлов. -М.: Экзамен, 2002. - 576 с.
9. Дюк В.А. Обработка данных на ПК в примерах: Статистические расчеты. Построение графиков и диаграмм. Анализ данных. - СПб.: Питер, 1997. - 240 с.
