CC BY
294. Ефимова, В.М. Безопасность жизнедеятельности: практикум / В.М. Ефимова, А.А. Макаричева. -Симферополь: Апрель, 2012. - 98 с.
5. £фiмова, В.М. Розвиток освт для сталого розвитку в репош / В.М. £фiмова // Проблемы современного педагогического образования. - 2014. - № 43-2. - С. 95-104.
6. Картавых, М.А. Образование в области безопасности жизнедеятельности и устойчивое развитие / М.А. Картавых, И.Б. Бичева, Л.В. Попова // Вестник Мининского университета. - 2016. - № 1-1 (13). -С. 21-32.
7. Коклевский, А.В. Система полипрофессиональных компетенций будущих специалистов в целях устойчивого развития / А.В. Коклевский // Весн. Беларус. дзярж. ун-та. Сер. 4, Фшалопя. Журналютыка. Педагопка. - 2016. - № 3. - С. 119-125.
8. Мартынов, А. Об идеологии будущего мирового прогресса (поворот к устойчивому развитию общества) / А. Мартынов // Общество и экономика. - 2018. - № 11. - С. 5-24.
9. Урсул, А.Д. Перспективы безопасного будущего: направления разработки концепции устойчивого развития Урсул А.Д. / А.Д. Урсул // Национальная безопасность. - 2014. - №6. - С. 856-873.
10. Global strategy on occupational health for all: The way to health at work. Recommendation of the second meeting of the WHO Collaborating Centres in Occupational Health, Beijing, China (October 11-14, 1994). -[Электронный ресурс]. URL: http://www.who.int/occupational_health/globstrategy/en/ (дата обращения 14.11.2019)
Педагогика
УДК 37.013.41
доцент кафедры информатики и математики Ефремов Сергей Константинович
Краснодарский университет МВД России (г. Краснодар); заместитель начальника кафедры информатики и математики Михайленко Евгений Владимирович
Краснодарский университет МВД России (г. Краснодар)
О ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННОЙ СЕТИ В ИНДИВИДУАЛИЗАЦИИ ПРИЕМА
И ОБУЧЕНИЯ СТУДЕНТОВ
Аннотация. Способность и возможность освоения студентом высшего учебного заведения программы обучения по конкретной специальности зависят во многом от его личностных особенностей, среды его формирования до поступления в высшее учебное заведение и многих других факторов. Частично эти факторы реализованы в оценках аттестата о среднем образовании, частично проявляются в явном виде и могут быть зафиксированы. Но аналитическое описание зависимости между прогнозом успешности обучения студента в высшем учебном заведении (прогнозом оценок по различным дисциплинам обучения) и параметрами, которые на нее влияют, практически невозможно из-за большой размерности задачи.
В работе проводится исследование возможности прогнозирования будущей успеваемости абитуриента по дисциплинам программы обучения, выбранной им, на основании данных, известных об абитуриенте на этапе его поступления в высшее учебное заведение, а также разработка основ методики и компьютерной программы прогнозирования успеваемости с использованием искусственной нейронной сети.
Проведено тестирование программы на небольшой обучающей выборке (данные аттестатов о среднем образовании по 15 студентам) применительно к одной вузовской дисциплине. Среднее значение модуля ошибки прогноза оценок по отношению к реально полученным студентами оценкам по данной дисциплине составило величину около 0,6. Увеличение объема обучающей выборки до 100 или более примеров, а также учет в примерах дополнительных параметров абитуриентов должны уменьшить ошибку прогноза до 0,2-0,3.
Ключевые слова: искусственная нейронная сеть, обучающая выборка, прогноз обучения, профессиональная ориентация, индивидуализация обучения, управление обучением.
Annotation. The ability of a student to master a higher education institution in a particular specialty depends on its personal characteristics, the environment in which it is formedprior to entering the university and many other factors. Partially these factors are implemented in the assessment of the secondary education certificate, partially manifested in an explicit form and can be fixed. But an analytical description of the relationship between the prediction of student learning in an institution of higher education (prediction of assessments in various disciplines of training) and the parameters that influence it is almost impossible due to the large dimension of the problem.
The paper investigates the possibility of predicting the future performance of the applicant in the disciplines of the training program chosen by him, on the basis of data known about the applicant at the stage of his admission to higher education, as well as the development of the basics of methods and computer programs for predicting performance using an artificial neural network.
The program was tested on a small training set (data of certificates of secondary education for 15 students) in relation to one university discipline. The average value of the error modulus of the prediction of estimates in relation to the estimates actually received by students for this discipline was approximately 0.6. Increasing the size of the training sample to 100 or more examples, as well as taking into account the additional parameters of applicants in the examples should reduce the forecast error to 0.2-0.3.
Keywords: artificial neural network, learning sample, learning forecast, vocational orientation, individualization of learning, learning management.
Введение. При принятии решения о зачислении абитуриента на обучение в высшем учебном заведении (ВУЗе) учитываются данные из его школьного аттестата и результаты вступительных испытаний. Вследствие многочисленных случайностей (экзамен - «рулетка», плохое самочувствие в день экзамена и т.п.) эти данные далеко не всегда адекватно отражают способность и готовность абитуриента к успешному освоению программы обучения в ВУЗе и в еще меньшей степени показывают готовность к обучению по программе конкретной специальности. Вместе с тем, комплексный анализ данных об абитуриенте на момент принятия
решения о его зачислении может позволить выявить степень его способности и готовности к успешному освоению программы обучения.
Изложение основного материала статьи. Прогнозирование оценок абитуриента по дисциплинам обучения по конкретной специальности позволит на этапе набора принимать более обоснованное решение о его зачислении, а при последующем обучении знание спрогнозированных оценок по дисциплинам для каждого студента даст возможность сотрудникам управления факультетов и ВУЗа, а также преподавателям по отдельным дисциплинам более осмысленно управлять ходом обучения каждого студента по каждой дисциплине, индивидуализировать процесс обучения по каждой дисциплине с первого занятия по ней. Это в целом должно повысить качество подготовки студентов и профессиональный уровень выпускников ВУЗа.
При поступлении в ВУЗ абитуриент представляет о себе анкетные данные и аттестат о среднем образовании. Хотя эти данные являются формальными, они содержат много информации о способности освоить с определенным качеством программу обучения по той или иной специальности. Дополнительная информация может быть получена в ходе индивидуальных собеседований, психологического тестирования.
В исследованиях выделяются основные показатели, определяющие будущую успеваемость абитуриентов при их обучении в ВУЗе [8]: оценки в аттестате о среднем образовании и баллы за ЕГЭ, характеристики места проживания при обучении, финансовый уровень семьи, внеучебные увлечения, цель обучения, наличие трудового стажа.
Свой вклад в возможность усвоения конкретного учебного материала, в уровень мотивации к учебе могут оказать и другие индивидуальные параметры абитуриентов: количество детей в семье, степень полноты семьи, рейтинг его школы, размер и статус населенного пункта его проживания до поступления, наличие наград и поощрений за учебу и творчество, наличие родственников в выбранной им профессии и т.д. Проведенные исследования показывают достаточно явную зависимость качества обучения учащегося от показателей, характеризующих учащегося.
Таким образом, имеется возможность по данным, предоставляемым абитуриентами при поступлении в ВУЗ, проводить предварительную оценку их объективной и субъективной предрасположенности к усвоению программы обучения. Анализ этих данных также может позволить вырабатывать набор дополнительных корректирующих воздействий на учебные группы и отдельных обучающихся с целью повышения качества их обучения в последующем. Кроме этого, это можно использовать для оценки предрасположенности абитуриента к освоению программ разных специальностей, для профессиональной ориентации абитуриентов.
В результате, имеется достаточно большой набор индивидуальных данных об абитуриентах на этапе их поступления в ВУЗ, который позволяет прогнозировать возможность и качество освоения программы обучения по конкретной специальности каждым из них.
Искусственные нейронные сети являются в настоящее время одним из основных средств решения задач прогнозирования. Они незаменимы при решении многопараметрических задач, т.е. в случаях, когда прогнозируемые величины зависят от значений большого количества входных параметров. Они успешно используются при решении задач в случаях, когда затруднительно или невозможно установить вид аналитических зависимостей между значениями входных параметров и результирующих величин.
Особенностью нейронных сетей является то, что они не программируются в привычном понимании, а обучаются [3, 4]. Для обучения используются обучающие выборки, содержащие пары векторов: известные значения входных параметров и соответствующих им выходных величин. Обучение состоит в вычислении коэффициентов, определяющих вклад каждого входного сигнала в суммарный выходной. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
При решении задачи прогнозирования используются способности искусственных нейронных сетей к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать значения выходных параметров при конкретных значениях входов, которые не присутствовали в обучающей выборке.
Искусственный нейрон — это вычислительная единица, которая получает информацию, производит над ней простые вычисления и выдает результат этих вычислений. На рис. 1 представлена классическая модель нейрона Дж. Маккалоки У. Питта.
входные синаптические блок нелинейного выходной
СИГНАЛЫ ВЕСА СУММИРОВАНИЯ поспсоашолиио СИГНАЛ
Рисунок 1. Классическая модель нейрона Дж. Маккалоки У. Пита
Отростки нейрона (дендриты), по которым поступают входные сигналы, получают сигналы Xi определенной величины от источников-рецепторов или аксонов предыдущих нейронов. Набор входных сигналов характеризует ситуацию, обрабатываемую нейроном. Каждому ^му входу j-го нейрона
ставится в соответствие некоторый весовой коэффициент wij, характеризующий степень влияния сигнала с
этого входа на значение сигнала Yj на выходе нейрона. Таким образом, текущее состояние нейрона определяется как взвешенная сумма его входов:
n
S. = S x. • w..
i = 1 i ^
1 1 (i)
Функция Yj в модели нейрона к использованию не обязательна. В этом случае выходом нейрона является значение Sj.
Применительно к разрабатываемой нейронной сети прогнозирования будущей успеваемости абитуриентов по конкретным дисциплинам:
Sj - прогнозируемая оценка по j-й дисциплине;
xi- значение входного параметра - характеристики абитуриента (оценка по конкретному предмету из аттестата, значение конкретного анкетного параметра и т.л.); всего учитываются n параметров;
wij, - весовой коэффициент, оценивающий влияние i-го входного параметра на будущую успеваемость по j-й дисциплине.
Таким образом, разрабатываемая нейронная сеть должна состоять из искусственных нейронов по количеству прогнозируемых оценок по дисциплинам учебной программы ВУЗа. Предполагается, что для решения задачи достаточно однослойной нейронной сети.
Решение задачи обучения нейронной сети состоит в определении таких значений весовых коэффициентов wij каждого нейрона, при которых при расчете с помощью сети оценок студентов по вузовским дисциплинам суммарная ошибка (разница между реальным и предсказанным нейроном значением оценки) была бы минимальная. Так как каждый нейрон функционирует независимо от остальных, то и обучение можно производить для каждого нейрона отдельно. Каждый нейрон используется для прогнозирования оценки всем студентами по одной дисциплине.
Полномасштабная нейронная сеть создается и обучается отдельно для прогноза оценок по конкретной специальности (специализации, направлению) обучения.
Результаты прогнозирования оценок абитуриентов могут использоваться:
- при принятии решения о приеме абитуриента на обучение в качестве дополнительной информации;
- на этапе приема документов для профессиональной ориентации - помощи абитуриенту в выборе специальности (специализации, направлению) обучения;
- сотрудниками деканатов и кураторами для работы со студенческими группами и индивидуальной работы со студентами;
- преподавателями ВУЗа для управления процессом обучения студентов, включая элементы индивидуализации обучения.
Выводы. Для оценки принципиальной возможности использования описанного подхода авторами статьи было выполнено решение задачи прогнозирования в тестовом варианте. В качестве обучающей выборки были взяты оценки из школьных аттестатов 15 студентов, а также их оценки по одной из дисциплин обучения в ВУЗе. С использованием этих данных был обучен один искусственный нейрон, воссозданный в программе на языке VBA. Обученный на такой малой выборке нейрон не может использоваться для решения реальной задачи, поэтому используется только для тестирования метода. С использованием данного нейрона было проведено прогнозирование оценок студентов по выбранной учебной дисциплине с учетом данных из их школьных аттестатов. После этого произведено сравнение оценок, реально полученных студентами на экзамене по данной дисциплине, и оценок, рассчитанных с помощью искусственного нейрона (важно: при расчете прогноза вузовских оценок в качестве исходных данных были использованы только оценки студентов из их школьных аттестатов). Средняя ошибка прогнозирования оценки (модуль разности между реально полученной оценкой и оценкой, рассчитанной с помощью нейрона) составила величину около 0,6.
Авторы считают, что увеличение обучающей выборки в несколько раз (до 100 или более), а также дополнительный учет анкетных и других данных позволит уменьшить среднюю ошибку прогнозирования до 0,3-0,4. Данная ошибка является суммой нескольких независимых ошибок объективного и субъективного характера. Основной из них по величине является ошибка дискретности существующей ныне четырехбалльной шкалы оценивания знаний, при которой уровни знаний 3,6 и 4,4 считаются одинаковыми -«хорошо». И именно эта грубость шкалы оценивания вносит основной вклад в ошибку прогнозирования.
В качестве исходных данных для обучения искусственной нейронной сети могут быть использованы:
- оценки из школьных аттестатов;
- результаты ЕГЭ;
- оценки, полученные на вступительных экзаменах (для прогнозирования успеваемости студентов после их зачисления на обучение в ВУЗ);
- результаты психологического и других видов тестирования (если таковые проводятся);
- анкетные данные абитуриента или студента.
Основные направления продолжения работы по теме:
1. Исследование возможности и порядка использования в качестве входных параметров анкетных данных абитуриентов. В классической модели искусственного нейрона выходное значение зависит от значений входных параметров линейно. А значения анкетных данных либо носят качественный характер и требуют перевода в адекватную количественную меру, либо при количественном характере влияют на выходное значение нелинейно.
2. Для каждой специальности (специализации, направления) обучения выбор наиболее значимых входных параметров (списка наиболее важных для данной вузовской специальности школьных дисциплин, конкретных параметров из программы тестирования, списка значимых социальных параметров и т.д.) в целях уменьшения размерности задачи. Наиболее значимые входные параметры могут быть выявлены при обучении искусственной нейронной сети по значениям их весовых коэффициентов wij. У малозначимых входных параметров весовые коэффициенты будут намного меньше коэффициентов параметров значимых.
3. Создание и обучение на выборках объемом не менее 100 примеров полномасштабных нейронных сетей для каждой специальности (специализации, направления) обучения. В предельном случае это направление развивается до создания информационной системы на базе локальной сети ВУЗа.
4. Исследование уровня информативности данных разного типа (школьные оценки, анкетные данные, результаты психологического тестирования и т.д.) об абитуриенте в оценивании степени способности освоения конкретным абитуриентом программы обучения по конкретной специальности. Возможно выявление ситуации, когда результаты психологического тестирования с учетом школьных оценок окажутся более информативными, чем результаты сдачи ЕГЭ и вступительных экзаменов в ВУЗ.
5. Исследование ошибок прогнозирования и выявление путей уменьшения этих ошибок. Здесь одним из результатов ожидается вывод об основном вкладе в суммарную ошибку оценивания знаний учащихся именно ошибки грубой дискретизации действующей четырехбалльной шкалы.
Литература:
1. Бураков М.В. Нейронные сети и нейроконтроллеры: учеб. пособие / М.В. Бураков. - СПб.: ГУАП, 2013. - 284 с.
2. Горожанина Е.И. Нейронные сети: учебное пособие / Е.И. Горожанина. - Самара: ФГБОУ ВО ПГУТИ, 2017. - 84 с.
3. Иванов, В.М. Интеллектуальные системы: учебное пособие / В.М. Иванов. — Екатеринбург: Изд-во Урал. ун-та, 2015. - 92 с.
4. Ильин Е.П. Дифференциальная психология профессиональной деятельности. — СПб.: Питер, 2011. - 432 с.
5. Интеллектуальные информационные системы и технологии: учебное пособие / Ю.Ю. Громов, О.Г. Иванова, В.В. Алексеев и др. - Тамбов: Изд-во ФГБОУ ВПО «ТГТУ», 2013. - 244 с.
6. Информационные системы и технологии в профессиональной деятельности сотрудников органов внутренних дел: учебное пособие / К.М. Бондарь [и др.]; Дальневосточный юрид. ин-т МВД РФ. - Хабаровск: РИО ДВЮИ МВД РФ, 2013. - 215 с.
7. Киушкина В.Р. Успеваемость студентов - объединение в успешной сотруднической деятельности обучаемого и преподавателя / В.Р. Киушкина // Международный журнал прикладных и фундаментальных исследований. - 2016. - №12. - с. 1042-1046.
8. Крылова А.Г. Успеваемость студентов экономических специальностей и статистическая оценка факторов, на нее влияющих / А.Г. Крылова // Современные научные исследования и инновации [Электронный ресурс]. - 2012. № 6. Режим доступа: http://web.snauka.ru/issues/2012/06/14688. Дата обращения: 23 сентября 2018.
9. Рейзлин В.И. Численные методы оптимизации: учебное пособие / В.И. Рейзлин; Национальный исследовательский Томский политехнический университет. - Томск: Изд-во Национального исследовательского Томского политехнического университета, 2013. - 105 с.
Педагогика
УДК: 378.1
преподаватель Жарко Людмила Николаевна
Институт иностранной филологии Федерального государственного
автономного образовательного учреждения высшего образования
«Крымский федеральный университет имени В.И. Вернадского» (г. Симферополь)
ОРГАНИЗАЦИОННО-ПЕДАГОГИЧЕСКИЕ УСЛОВИЯ ПОДГОТОВКИ ПРЕПОДАВАТЕЛЯ ДОПОЛНИТЕЛЬНОГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ДЛЯ ВЕДЕНИЯ КОММЕРЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ИННОВАЦИОННОЙ НАПРАВЛЕННОСТИ
Аннотация. В статье рассматривается вопрос о выделении организационно-педагогических условий подготовки преподавателя дополнительного профессионального образования для ведения коммерческой деятельности инновационной направленности на современном этапе. Автором предпринята попытка классификации организационно-педагогических условий подготовки преподавателя, дана их характеристика. Делается вывод, что организационно-педагогические условия подготовки преподавателя дополнительного профессионального образования для ведения коммерческой деятельности инновационной направленности являются составной частью педагогической системы, которые подвержены изменениям во времени. Организационно-педагогические условия должны быть выделены в соответствии с целями, задачами, содержанием, структурой образовательного процесса.
Ключевые слова: дополнительное профессиональное образование, организационно-педагогические условия, подготовка преподавателя дополнительного профессионального образования, коммерческая деятельность преподавателя, инновации.
An^tatton. The article deals with the issue of allocation of organizational and pedagogical conditions for training teachers of additional professional education for conducting commercial activities of innovative orientation at the present stage. The author attempts to classify organizational and pedagogical conditions of teacher training and gives their characteristics. It is concluded that the organizational and pedagogical conditions of training teachers of additional professional education for conducting commercial activities of innovative orientation are an integral part of the pedagogical system, which are subject to changes over time. Organizational and pedagogical conditions should be allocated in accordance with the goals, objectives, content, structure of the educational process.
Keywords: additional professional education, organizational and pedagogical conditions, training of the teacher of additional professional education, commercial activity of the teacher, innovation.
Введение. Одним из ключевых вопросов реформирования системы образования на современном этапе является вопрос модернизации деятельности педагогических систем с целью повышения качественного уровня образования специалистов. В связи с этим актуализируется вопрос о выделении организационно-педагогических условий подготовки преподавателя дополнительного профессионального образования (ДПО)
