CC BY
16УДК 62.501
О КОМПЬЮТЕРНОМ МОДЕЛИРОВАНИИ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА
Л. К. Ярлыкова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: Lina_Yarlykova@mail.ru
Представлена постановка задачи моделирования образовательного процесса. Предложен новый подход к исследованию данного активного процесса.
Ключевые слова: активный процесс, образовательный процесс, моделирование, факторы, критерии качества.
ON COMPUTER SIMULATION OF EDUCATIONAL PROCESS
L. K. Yarlykova
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: Lina_Yarlykova@mail.ru
The formulation of the simulation of educational process problem is presented. A new approach to the research of this active process is proposed.
Keywords: active process, educational process, simulation, factors, quality criteria.
При изучении процесса образования, определении его качества применяются всевозможные рейтинги, формируются многочисленные показатели. На основании данных показателей вводятся все новые изменения, которые, в свою очередь, не приводят к улучшению уровня знаний учащихся. В связи с этим в своей работе мы уходим от общепринятой оценки качества образовательного процесса. В течение последних лет был собран материал путем опросов студентов, преподавателей и др. В итоге было накоплено довольно много различных мнений, высказанных респондентами, проанализирована история развития образования в России, выделены мнения научных деятелей по данному вопросу. На основании этих мнений и данных была сформирована группа факторов, позитивно и негативно влияющих на образовательный процесс.
В первую очередь, следует отметить, что образовательный процесс относится к активным процессам. Активный процесс - процесс, протекающий с участием человека или группы людей [1]. В данной работе мы «погружаемся» в прошлое с целью изучения образования в России, аналогично исследуем образовательный процесс, характерный для нынешнего времени. Интерес представляет оценка результата функционирования образовательного процесса в прошлом и настоящем, а также анализ внешних факторов управляющих воздействий, влияющих на итоговый результат.
Компьютерное исследование образовательного процесса естественно начать с формирования вход-
ных, выходных, возмущающих воздействий, определяющих течение исследуемого процесса во времени. Важнейшая роль будет принадлежать формированию вектора входных переменных, входящих в модели. Переменные, характеризующие состояние образовательного процесса, должны быть наполнены соответствующим содержанием, в том числе учитывающим психологические, эмоциональные и другие факторы, присущие человеку, коллективу людей. А входящие в модели параметры определяют вес этих факторов как с негативной, так и с позитивной точек зрения (см. рисунок).
Компьютерное исследование образовательного процесса позволит получить отклик данной активной системы на соответствующие изменения входных переменных. И если этот отклик совпадает с известными из прошлого значениями входных переменных, то естественно считать, что подобная модель заслуживает доверия, в противном случае должны быть изменены численные значения параметров, входящих в модель, а возможно, и набор тех или иных переменных, характеризующих их взаимное влияние на образовательный процесс. Это означает, что кажущееся нам правильное сочетание переменных процесса и значений параметров, определяющих их вес, не приводит к желаемой цели.
В случае удовлетворительного прогноза мы имеем шансы получить реальный объективный портрет образовательного процесса. На рисунке представлена схема компьютерного портрета образовательного процесса.
Решетневские чтения. 2013
Схема компьютерного портрета образовательного процесса
Принятые обозначения на рисунке: ю = (ю1; ю2, ..., юК -вектор входных воздействий, отвечающий за постановления и законы, принятые Министерством образования и науки РФ; ф = (фь ф2, ..., ф,) - вектор входных воздействий, отвечающий за решения, принимаемые на уровне учебного заведения; (а, Р) - весовые коэффициенты факторов, входящих в модель.
На основании мнений респондентов был сформирован набор показателей, влияющих на образование: и = (иь и2, ..., ит) — факторы, влияющие на образование и х = (хь Х2, ..., х5) — критерии качества образования: и! — оснащение техникой; и2 — учебные материалы; и3 — результаты ЕГЭ; и4 — баллы аттестата; и5 — доступность связи с преподавателем; и6 — мотивация для учебы; и7 — бытовые условия; и8 — работа с научным руководителем; и9 — комфортные условия для занятий; и10 — желание учиться. Критерии качества образовательного процесса: Х1 — результаты экзаменов, зачетов; х2 — научные результаты; х3 — стипендии, гранты; х4 — коммуникабельность (навыки общения, знания, умения в определенной сфере деятельности и т. д.). Были сформированы начальные зависимости показателей качества от факторов, влияющих на образование: Х1 = /1(иь и2, и3, и4, и5, и6, и7, и9, ию), Х2 = /¿(иЬ и2, иб, и7, и8, ию), Х3 = /3(и2, и5, иб, и7, и8, и10), х4 = /4(и2, и5, и6, и7, и8, и10). В качестве итоговых показателей качества у = (у1, у2) были выделены: у! — знания в профессиональной сфере и у2 — кругозор (широта знаний). Зависимость итоговых показателей качества у = (у!, у2) могут быть представлены в виде у! = F!(u, х) иу2 = F2(u, х). Набор показателей, представленных выше, не является конечными и будут дополнен и пересмотрен в процессе разработкие и исследования последнего.
При моделировании приведенных выше зависимостей, конечно, важнейшее значение будет иметь априорная информация, которой мы располагаем на этом этапе. В случае, если для некоторых зависимостей мы располагаем исходной обучающей выборкой {х, и¿, I = 1...5}, а характер зависимостей однозначный, то может быть использована непараметрическая оценка [2]:
Х^ (и^)) =
X Х П Ф
¿=1 .=1
^ и1 (/) - и ^
ХП ф
i=11=1
(
и1 (/) - и/ ^
(1)
где Ф(.) — колоколообразная функция; с1 — параметр размытости, удовлетворяющий некоторым условиям сходимости [2]. В случае малого объема выборки или наличия «пестроты» в ее элементах можно использовать статистику [3]:
Хфи (и,
и, х
Х^ (и (/)) =
¿=1
)Пф
1=1
11 и - и
ХПф
¿=1 1=1
. ч
и () - и
(2)
где фи(и, х) — гиперплоскость, проходящая через точку и = (и1, и2, ..., ит).
Восстановление зависимостей параметрического класса может быть осуществлено различными методами оценки параметров либо задаваться ЛПР во время экспериментов с компьютерной моделью.
Располагая возможностью изменения переменных и параметров модели в компьютерном диалоге, возможно уяснение причин того, что мы имеем на сегодняшний день в образовании. Это позволит исследо-
вателю узнать причины и веса всей совокупности факторов, влияющих на образовательный процесс. Как следствие этого, могут быть определены изменившиеся значения и роль психологических, эмоциональных, характерных, этических и других факторов.
Библиографические ссылки
1. Перспективные технологии XXI века. В 2 кн. Кн. 1 : монография / И. Ш. Абдуллин, Л. Н. Абутали-пова, А. А. Азанова, А. В. Медведев и др. Одесса : Изд.-во Куприенко С. В., 2013. 162 с.
2. Медведев А. В. О компьютерном исследовании активных систем // Проблемы управления в социальных системах. Т. 5. Вып. 8. Томск, 2013. С. 86-104.
3. Катковник В. Я. Непараметрическая идентификация и сглаживание данных: метод локальной ап-
проксимации. М. : Главная редакция физико-математической литературы, 1985. 336 С.
References
1. Abdullin I. Sh., Abutalipova L. N., Azanova A. A., Medvedev A. V. etc. Perspektivnye texnologii XXI veka. book 1. Odessa : Kuprienko C. V., 2013, 162 p.
2. Medvedev A. V. O komp'juternom issledovanii aktivnyh system [About computer research of active systems]. Problemy upravlenija v social'nyh sistemah. Tomsk, 2013, issue 8, pp. 86-104
3. Katkovnik V. Ja. Neparametricheskaja identifikacija i sglazhivanie dannyh: metod lokal'noj approksimacii [Nonparametric Identification and Data Smoothing: The Method of Local Approximation]. Moscow : Nauka, 1985, 336 p.
© Ярлыкова Л. К., 2013
УДК 004.89
ПРИМЕНЕНИЕ МЕТОДОВ ПРОИЗВОДНОЙ СПЕКТРОСКОПИИ ПРИ ОБРАБОТКЕ ДАННЫХ ФИЗИЧЕСКИХ ЭКСПЕРИМЕНТОВ
В. Д. Дергачев, Ю. С. Ломаев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: lomaif@rambler.ru
Решается задача аппроксимации данных физических экспериментов параметрической моделью (суперпозиция функций Гаусса), причем число функций заранее не известно. Применение методов производной спектроскопии позволяет определить число аппроксимирующих функций, а также начальные оценки параметров каждой из них.
Ключевые слова: производная спектроскопия, модель, аппроксимация.
APPLYING OF DERIVATIVE SPECTROSCOPY METHODS TO PHYSICAL EXPERIMENTS DATA PROCESSING
V. D. Dergachev, Yu. S. Lomaev
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: lomaif@rambler.ru
The physical experiments data approximation task with the parametric model (superposition of Gaussian functions) is being solved, and the number of functions is unknown. Derivative spectroscopy methods applying allows to identify a number of approximation functions as well as their parameters initial estimation.
Keywords: derivative spectroscopy, model, approximation.
Знание числовых значений параметров каждой ап- ли, например гауссовой, и определение параметров
проксимирующей линии позволяет в рамках физиче- моделей отдельных линий.
ских моделей исследовать свойства рассматриваемых Путем численного дифференцирования дискрет-
данных (представленных в виде рентгенограммы) ных данных, характеризующих рентгенограмму,
и интерпретировать полученные результаты, т. е. метод производной спектроскопии позволяет выде-
решать обратную задачу спектроскопии - определе- лять множество точек, удовлетворяющих необходи-
ние характеристик вещества по свойствам его спек- мому и достаточному условиям экстремума (в данном
тров [1]. случае условиям максимума) и, таким образом, харак-
Из этого следует, что первым шагом в исследова- теризирующих положение и амплитуду имеющихся
нии кристаллов методами оптической спектроскопии пиков.
является разделение сложного спектра кристалла на Данный метод позволяет решить основную про-
отдельные линии с использованием какой-либо моде- блему, возникающую при разделении сложного спек-
