Теоретические основы построения автоматизированной системы управления обучением с учетом нечеткой информации (27.01.2012)

Автор: Комаров Евгений Геннадиевич

Методы исследования. Для решения поставленных задач применялись методы теории нечетких множеств, нечеткого кластерного анализа, классического и нечеткого регрессионного анализа, математической статистики, вычислительной математики, системного анализа и математического программирования.

На защиту выносятся.

1. Теоретическая модель управления процессом обучения с учетом нечеткой информации, обеспечивающая построение автоматизированной системы.

2. Линейная и нелинейная регрессионные модели с исходными нечеткими данными для прогноза характеристик студентов и выявления зависимостей между этими характеристиками.

3. Модель совокупности формализованных значений характеристик специалиста и модель многокритериального рейтингового оценивания студентов на его основе, позволяющая получать числовые рейтинговые оценки.

4. Модели определения рейтинговых оценок студентов и их групп на основе лингвистических значений характеристик.

5. Метод нечеткого кластерного анализа результатов студентов на основе рейтинговых оценок.

-значной логики) агрегирования информации при мониторинге характеристик студентов.

7. Модель выбора направления профессиональной деятельности студентов на основе максимального соответствия их индивидуальных характеристик совокупности нечетко заданных требований работодателей.

Теоретическая значимость исследования состоит в создании теоретического аппарата построения автоматизированной системы управления обучением на основе фаззистики, что позволило одновременно учесть случайную и нечеткую информацию и тем самым повысить устойчивость окончательных выводов и адекватность управляющих воздействий.

Разработан и использован при построении автоматизированной системы метод нечеткого кластерного анализа результатов рейтинговых оценок студентов.

-значной логики) агрегирования информации образовательного процесса при выработке управляющих воздействий в условиях неопределенности.

Научная новизна.

В ходе исследования получены следующие новые научные результаты:

1. Разработана теоретическая модель управления обучением с учетом нечеткой информации, которая является основой для построения автоматизированной системы управления обучением.

2. Разработан подход к формализации данных образовательного процесса, заключающийся в построении регрессионных моделей для прогноза характеристик студентов и выявления зависимостей между ними. Полученные линейная и нелинейная модели, являются комбинированными, поскольку сочетают в себе элементы классической и нечеткой регрессионных моделей и позволяют одновременно учитывать два типа неопределенности – случайность и нечеткость, а также повысить прогностическую способность указанных моделей.

3. Разработана модель совокупности формализованных характеристик специалиста для сравнительного анализа с реальными данными студентов, которая учитывает не только рейтинговые оценки, но и экспертные мнения о важности личностных характеристик. Построена модель многокритериального рейтингового оценивания студентов на основе совокупности формализованных характеристик, позволяющая получать числовые рейтинговые оценки.

4. Построены модели определения рейтинговых оценок студентов на основе лингвистических значений характеристик, которые использованы для присвоения студентам квалификационных уровней и нечеткой кластеризации полученных результатов с заданным уровнем доверия.

5. Разработана модель выбора направления профессиональной деятельности студентов на основе максимального соответствия их индивидуальных характеристик совокупности нечетко заданных требований работодателей.

Практическая значимость результатов работы.

1. Разработана автоматизированная система управления обучением, которая обеспечивает устойчивость окончательных выводов и адекватность управляющих воздействий в условиях нечеткой информации.

2. Автоматизированная система используется для управления процессом обучения студентов, для чего:

- выявлены существенные характеристики, влияющие на успешность их будущей профессиональной деятельности;

- построены регрессионные модели для прогноза успешности профессиональной деятельности студентов на разных этапах обучения и обосновано преимущество этих моделей по сравнению с классическими регрессионными моделями;

- осуществлен кластерный анализ полученных прогнозных результатов;

- разработаны рекомендации для каждого студента на основе полученного прогнозного значения и результатов кластерного анализа;

- построены модели совокупности формализованных характеристик образа специалиста на разных этапах обучения;

- представлены значения рейтинговых оценок студентов на основе совокупности формализованных характеристик специалиста;

- разработаны рекомендации на основе рейтинговых оценок и разработанного оператора агрегирования полученной информации;

- осуществлен мониторинг рейтинговых оценок психофизиологических и личностных характеристик студентов и групп студентов на различных этапах их обучения и выработать управляющие рекомендации на основе полученных результатов;

- каждому студенту рекомендовано направление профессиональной деятельности, который соответствует максимальной степени принадлежности его индивидуальных характеристик совокупности нечетко заданных требований работодателей.

Полученные в работе результаты обеспечивают возможность дальнейшего развития практических приложений на их основе и возможность создания новых инструментальных средств.

Достоверность и обоснованность полученных научных результатов подтверждена корректностью применения математического аппарата; строгим доказательством сформулированных утверждений; адекватностью теоретических моделей реальным процессам, подтвержденной результатами обработки экспериментальных исследований; положительными результатами опытной эксплуатации автоматизированной системы на всех этапах процесса обучения студентов.

Реализация результатов работы. Результаты диссертационной работы внедрены и используются в следующих организациях.

ФГБОУ ВПО «Московский государственный университет леса» – автоматизированная система управления процессом обучения; результаты в дипломном и курсовом проектировании, а также при чтении курсов «Методы обработки экспериментальных данных и планирование эксперимента» и «Методы оптимизации».

ФГБОУ ВПО «Петрозаводский государственный университет» – алгоритмическое обеспечение для разработки автоматизированных подсистем обработки информации и принятия решений в рамках единой автоматизированной системы вуза.

ФГБОУ ВПО «Тамбовский государственный технический университет» – модель совокупности формализованных характеристик эталонного образа специалиста и рейтинговых оценок студентов на его основе.

ФГБОУ ВПО «Нижегородский государственный университет им. Н.И.Лобачевского» - Национальный исследовательский университет – модель выбора оптимального направления профессиональной деятельности выпускников.

Отдельные результаты исследования получены при выполнении НИР «Разработка систем интеллектуального анализа информации и поддержки принятия решений в условиях внедрения инновационных подходов и технологий в образовательный процесс» в ФГБОУ ВПО «Московский государственный университет леса» и НИР «Новые методы повышения эффективности обучения и их информационная поддержка в условиях неопределенности» в ФГУ ГНИИ ИТТ «Информика».

Апробация. Результаты диссертации прошли апробацию на научных конференциях: ежегодные научно-технические конференции профессорско-преподавательского состава МГУЛ; Международные симпозиумы по прикладной и промышленной математике, 2003, 2005, 2007-2009; Всероссийская научно-практическая конференция «IT – Инновации в образовании», г. Петрозаводск, 2005; Международные научно-практической конференции «КБД –Инфо», г. Сочи, 2005, 2007; Международные научно-практические конференции «Телематика», г. Санкт-Петербург, 2005-2007, 2011; Международный симпозиум «Качество, инновации, образование и CALS-технологии», 2007; Международная научно-практическая конференция «Новые информационные технологии в образовании», г. Екатеринбург, 2007; X Belarussian Mathematical Conference, Minsk, 2008; International Conference «Education, science and economics at universities. Integration to international education area», Plock, Poland, 2008; International Conference of the North American Fuzzy Information  Processing Society, NAFIPS'2008, New York, 2008; Cincinnati, Ohio, 2009; El Paso 2011; International Conference of World Academy of Science, Engineering and Technology, Rome, 2009; International Fuzzy Systems Symposium- FUZZYSS’09 – Ankara, 2009; International Symposium on Integrated Uncertainty Management and Applications, Ishikawa, Japan, 2010.


загрузка...