CC BY
34
УДК 681.3.07
А.А. Большаков, В.В. Шатохин
ОЦЕНКА РЕЗУЛЬТАТИВНОСТИ ФУНКЦИОНИРОВАНИЯ АВТОМАТИЗИРОВАННОЙ ОБУЧАЮЩЕЙ ЭКСПЕРТНОЙ СИСТЕМЫ
Предложена методика сравнительной оценки результативности обучения при традиционном подходе и с использованием автоматизированной обучающей экспертной системы, особенностью которой является учет неоднородности групп обучаемых по уровню знаний, а также их психофизиологические характеристики.
Оценки результативности обучения, психофизиологические характеристики, экспертная система
A.A. Bolshakov, V.V. Shatohin
ESTIMATION OF PRODUCTIVITY OF FUNCTIONING OF THE AUTOMATED TRAINING EXPERT SYSTEM
The technique of a comparative estimation of productivity of training is offered at the traditional approach and with use of the automated training expert system which feature is the account of heterogeneity of groups of trainees on level of knowledge, and also their psychophysiological characteristics.
Estimation of productivity of training, psychophysiological characteristics, expert system
Обучение является одним из видов интеллектуальной
деятельности и неотъемлемым атрибутом организационно-
технических и организационных систем. Это обусловлено наличием человеческого фактора, т.е. человека как элемента этих систем, выполняющего определенные функции, ему на протяжении всего существования человечества
отводилась особая роль, так как от успеха его организации зависело многое: степень преемственности при передаче опыта и знаний, формирование у будущих
поколений стремления к познанию окружающего мира, его
преобразованию.
Результативность обучения существенно зависит от степени учета индивидуальных
особенностей обучаемого, от его психофизиологических характеристик (ПФХ). В общем случае количество ПФХ [1] человека-оператора достаточно велико. Например, по наиболее информативному восприятия различают «аудиалов»,
«визуалов»; по типу мышления -«дедуктивный» и
«индуктивный»; по скорости принятия решения -
«рефлексивный» и
«импульсивный» и т.д.
Для использования ПФХ и возможностей современных информационных технологий нами предложена автоматизированная обучающая экспертная систем (АОЭС) [2],
особенностью которой является управление процессом обучения по возмущению, т.е. ПФХ, и отклонению (от заданного уровня знаний).
Представляет интерес сравнение результативности при традиционном обучении и с использованием АОЭС. Для этого вариативная часть этой системы заполнена информацией по курсу «Паскаль». Ниже описываются методика и результаты сравнительной оценки результативности обучения для этих двух методов.
каналу
информации
«логиков»,
«кинетиков»,
Алгоритм оценки эффективности обучения
Таблица 1
Результаты обработки анкеты по определению ВРС
N А Л В К N А Л В К
1 11 13 8 18 11 12 14 16 8
2 15 13 11 11 12 18 12 13 7
3 10 11 15 15 13 16 9 12 11
4 14 9 11 16 14 13 9 12 16
5 13 8 16 13 15 8 11 15 16
6 12 11 12 15 16 9 11 14 16
7 11 8 11 20 17 7 16 11 16
8 7 12 11 20 18 12 9 15 14
9 10 13 13 14 19 11 11 10 18
10 12 12 10 16 20 11 12 10 14
21 9 14 13 14
Таблица 2
Статистический анализ результатов обучения
Характеристика Традиционная методика Автоматизированное обучение
среднее, 51 с.к.о., 52 среднее, 51 с.к.о., 52
Входной КЗ 7,1 1,85 5,9 2,05
Выходной КЗ 8,4 1,60 7,9 1,29
Относительное изменение, % 15,5 13,5 25,3 35,6
Для определения результативности использования автоматизированной обучающей экспертной системы проведены эксперименты по обучению студентов СГТУ по дисциплине «Язык программирования Паскаль».
В частности, в экспериментах принимали участие студенты 1-го курса специальности «Робототехнические системы и комплексы» Саратовского государственного технического университета. В эксперименте участвовали две группы студентов, которые обучались по разным методикам: группа РТС-11 - по традиционной методике, группа РТС-12 - с применением разработанной АОС. Целью обучения являлось достижение максимального уровня знаний при заданном времени обучения. Алгоритм предложенной методики сравнительной оценки эффективности различных методик представлен на рисунке.
Согласно этой методике, перед началом обучения проведен входной контроль знаний студентов обеих групп. Уровень выходных знаний 50 определялся на итоговом экзамене. Распределение оценок студентов согласно проверенной статистической гипотезе подчиняется нормальному закону, поэтому в оценке эффекта от внедрения ЭС используются такие критерии, как среднее значение и среднеквадратическое отклонение.
Для доказательства гипотезы о нормальном распределении оценки студентов и расчета статистических показателей использовалась программа, написанная в среде МаШСаё 6.0.
По результатам входного контроля знаний средняя оценка в группе 57, обучаемой по традиционной методике (7,1), выше, чем в группе автоматизированного обучения (5,9). Кроме этого, в последней группе степень «разброса» уровня знаний, оцениваемая с помощью среднеквадратического отклонения, выше, поэтому используется относительное приращение среднего значения и относительное изменение среднеквадратического отклонения.
где С^о - оценка ]-го студента при входном и выходном контроле знаний.
На первом этапе с помощью метода экспертных оценок выявлен состав показателей, входящих в модуль определения ПФХ. При этом установлено, что первая группа в основном состоит из К - «кинетиков», гораздо меньше представлены другие типы (А - «аудиалы» - 3, В - «визуалы» - 3, практически ни одного Л - «логика»). Во второй группе преобладали в основном «логики», а также небольшая часть - «визуалы».
Результаты анкетного опроса тестируемой группы студентов (табл. 1) обработаны с помощью модуля определения ПФХ АОЭС.
На втором этапе зафиксированы процедуры входного и выходного контроля знаний. Затем с помощью таких процедур извлечения знаний, как анкетирование, собеседование и др., получена необходимая информация о методике обучения для эвристического достижения максимума критерия с учетом ПФХ. Результаты входного и выходного контроля знаний при проверке гипотезы Н3 представлены в табл. 2. Их анализ позволяет сделать вывод об эффективности использования АОС, т.к. «прирост» уровня знаний составил 25,3%, тогда как для традиционной методики он равен лишь 15,5%. Кроме этого, использование автоматизированного обучения снизило «разброс» в уровне знаний на 35,6%, тогда как при традиционной методике этот показатель равен 13,5%.
Дальнейшая эксплуатация АОС в вузах также показала ее более высокую эффективность по сравнению с традиционными подходами к обучению информатике и программированию.
ЛИТЕРАТУРА
1. Большаков А. А. Идентификация психофизиологических характеристик операторов /
A.А. Большаков, В.В. Шатохин // Вестник ТГТУ. 1999. Т 5. №3. С.359-363.
2. Автоматизированная обучающая экспертная система (АОЭС) / А. А. Большаков,
B. В. Шатохин, В. В. Мусатов, С. С. Буйлов; Свидетельство Роспатента об офиц. регистр. программы для ЭВМ. № 2003611710. - 2003.
3. Большаков А.А. Управление образовательным процессом на основе автоматизированных комбинированных обучающих систем / А.А. Большаков, О.Н. Долинина, В.В. Шатохин // Вестник СГТУ. 2008. №3(35). Вып. 2. С. 54-62.
Большаков Александр Афанасьевич -
доктор технических наук, декан факультета электронной техники и приборостроения, заведующий кафедрой «Системотехника», профессор кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета
Шатохин Василий Викторович -
аспирант кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета
Статья поступила в редакцию 06.10.10, принята к опубликованию 25.10.10
