Разработка экспертной системы для оценки профессиональных и личностных качеств студентов университета Текст научной статьи по специальности «Науки об образовании»

вил преобразования логической модели данных в физическую.

Логическая модель данных - ориентированный размеченный граф 0(У,Б), где V - множество анализируемых объектов; Е - множество связей между ними.

Разметка вершин V ^ 8 определяется типом анализируемого объекта, то есть 8 = {81, 82, 83}, где 81 = «факт»; 82 = «атрибут»; 83 = «медленно меняющаяся размерность».

Разметка дуг Е ^ К определяется типом связи между объектами, то есть К = {К1, К2, К3, К4}, где К1 = «факт-атрибут»; К2 = «один-к-одному»; КЗ = «один-ко-многим»; К4 = «многие-ко-многим».

Ориентация графа определяется направлением связи «родитель ^ потомок» в случае связей вида К2 - К4 и направлением связи «атрибут ^ факт» в случае связи вида К1.

Правила автоматической генерации структуры реляционной базы данных могут быть представлены в форме кода на реляционно-полном языке, например, SQL, в котором часть конструкций заменена макросами, которые в процессе макроподстановки будут заменены соответствующими элементами графа 0(У,Е) логической модели данных.

Показано, что для построения правил автоматизации проектирования физической модели данных достаточно использовать следующие макросы:

- определение имени таблицы;

- получение списка фактов для таблицы фактов;

- получение списка ссылок на атрибуты для таблицы фактов;

- получение идентификатора измерения;

- получение описательных столбцов измерения;

- получение идентификатора родителя измерения.

Для оптимизации проектирования модели данных

предложено разделить решение задачи на две компоненты: 1) определение анализируемых объектов и связей между ними - выполняется специалистом по предметной области; 2) определение алгоритма автоматизированного создания физической модели данных -выполняется специалистом по теории хранилищ данных и средству визуализации информации.

В результате объединения информации об объектах предметной области и шаблонов автоматически создается физическая модель данных.

Поступила в редакцию 20 декабря 2007 г.

РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ОЦЕНКИ ПРОФЕССИОНАЛЬНЫХ И ЛИЧНОСТНЫХ КАЧЕСТВ СТУДЕНТОВ УНИВЕРСИТЕТА

© А.А. Арзамасцев, Н.А. Зенкова, П.А. Азарова

В жизни каждого человека момент окончания школы связан с проблемой о продолжении образования и выборе будущей профессии, от которого зависит успешность обучения по выбранной специальности и дальнейшее трудоустройство.

Принятие решения в эти периоды молодым человеком осложнено недостаточностью, а в определенной степени и недостоверностью информации о возможностях выбора, трудностью оценки собственных сил и способностей. По этой причине исследование свойств личности, профессионального потенциала и социальной активности молодых людей в указанные моменты времени представляет собой актуальную задачу.

Ранее нами было проведено исследование профессионального и личностного потенциала студентов Тамбовского государственного университета им. Г.Р. Державина. Для его реализации была разработана анкета, имеющая следующую структуру: статистическая информация, успеваемость, профессиональный потенциал, общественная активность, творчество, досуг, здоровье, семья [1].

С помощью полученных данных возможно оказание консультаций в управлении трудовыми ресурсами региона для достижения лучшего соответствия его реальных потребностей в специалистах, осуществлении профориентационной деятельности, прогнозировании.

Указанные задачи, на наш взгляд, можно решить путем создания на основе полученных данных экспертной системы для оценки профессиональных и личностных качеств студентов университета.

Для реализации такой экспертной системы нами была разработана компьютерная модель профессиональных и личностных качеств студентов университета на основе искусственной нейронной сети с адаптивной структурой. В ней был использован разработанный алгоритм модификации структуры искусственной нейронной сети во время обучения [2, 3].

В качестве данных для обучения ИНС были использованы результаты анкетирования студентов. Всего в социологическом исследовании приняли участие 1349 студентов преимущественно 4-5 курсов всех институтов и академий ТГУ им. Г.Р. Державина, в том числе: 116 студентов из института математики, физики и информатики, 117 студентов из института естествознания, 132 студента из института социальной работы, 85 студентов из института социологии и культурологи, 154 студента из института психологии и педагогики, 102 студента из академии искусств, сервиса и рекламы, 78 студентов из института истории и политологии, 126 студентов из института права, 123 студента из института филологии, 141 студент из института физической культуры и спорта, 40 студентов с факультета журна-

листики и 122 студента из академии экономики и управления.

Основная доля респондентов находилась в возрастном диапазоне от 18 лет до 21 года (и более), в том числе 18 лет - 4,4 %; 19 лет - 29,6 %; 20 лет - 34,9 %; 21 год - 22,3 %; более 21 года - 8,4 %. Кроме того, 0,1 % опрошенных имели возраст 17 лет.

Поскольку целью исследования было выявление личностных качеств и профессиональных предпочтений старшекурсников, студенты младших курсов были практически исключены из рассмотрения, а анкетируемые студенты распределились по курсам следующим образом: 1-й курс - 0,1 %; 2-й курс - 2,0 %; 3-й курс -39,2 %; 4-й курс - 39,2 %; 5-й курс - 20,5 %.

Среди опрошенных юноши составили 29 %, девушки - 71 %.

Структура ИНС, подобранная в результате выполнения программы, приведена на рис. 1.

Данная сеть состоит из одного входного, одного выходного и одного скрытого слоя нейронов. Входной слой состоит из 58 нейронов, выходной - из 5 нейронов. Скрытый слой содержит 5 нейронов с активаци-

2

онной функцией tansig(x) =___________1 (гиперболиче-

1 + е "2 *

ской тангенциальной функцией активации).

Матрица обучения представляла собой ответы респондентов на вопросы анкеты. В процессе подбора структуры и обучения сети среднеквадратичная погрешность, выбранная как показатель успешности обучения, изменялась так, как показано на рис. 2.

Рис. 1. Структура искусственной нейронной сети, подобранная в результате работы программы

(1-й (1-й (1-й (1-й (1-й (2-й

слой) слой) слой) слой) слой) слой)

количество нейронов в ИНС

Рис. 2. Изменение среднеквадратичной погрешности в процессе подбора архитектуры искусственной нейронной сети

В итоге среднеквадратичная ошибка обучения составила 0,2313 ~ 0,2, что является приемлемым в данном случае.

Полученная ИНС-модель адекватно описывает имеющиеся статистические данные поставленной задачи и может быть применена к прогнозированию профессиональных и личностных качеств респондентов. Данное свойство позволяет использовать ее для построения экспертной системы.

ЛИТЕРАТУРА

1. Арзамасцев А.А., Зенкова Н.А. Социологическое исследование студентов Тамбовского государственного университета имени Г.Р. Державина. Тамбов: ИМФИ ТГУ имени Г.Р. Державина, 2005. 65 с.

2. Арзамасцев А.А., Крючин О.В., Азарова П.А., Зенкова Н.А. Универсальный программный комплекс для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры // Вестник Тамбовского университета. Сер. Естественные и технические науки. Тамбов, 2006. Т. 11. Вып. 4. С. 564-570.

3. Арзамасцев А.А., Азарова П.А., Зенкова Н.А. Модель профессиональных и личностных качеств студентов университета на основе искусственной нейронной сети с адаптивной структурой // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. Тамбов, 2007. Т. 12. Вып. 5. С. 633-639.

Поступила в редакцию 25 декабря 2007 г.

СИСТЕМА ФОРМ ОРГАНИЗАЦИИ ДИФФЕРЕНЦИРОВАННОГО ОБУЧЕНИЯ ИНФОРМАТИКЕ В ВУЗЕ

© Т.Ю. Китаевская, Н.А. Авдеева

В настоящих условиях важной характеристикой методической системы обучения является открытость, которая проявляется через внутреннюю динамику ее элементов: целей, содержания, методов, средств и форм обучения, а также информационных связей между ними. Таким образом, система форм обучения

должна строиться с учетом возможности согласованного изменения остальных компонентов методической системы в процессе ее реализации в контексте технологии обучения информатике, которая предусматривает наиболее динамичную модульную организацию дифференцированного содержания обучения. Диффе-