Информационно-технологическая модель управления учебным процессом дистанционного образования на основе рейтингов
реклама
Информационно-технологическая модель управления учебным процессом дистанционного образования на основе рейтингов А.Н. Шурупов, к.т.н, доцент Московский государственный институт радиоэлектронной аппаратуры (ТУ) E-mail: [email protected] In work the approach to a construction of informational-technological model of the educational process control is offered, including a decision support system. The used mathematical means allows to realize an intellectual evaluation technology of education quality because abilities of neural nets to self-training. В статье описывается способ построения информационно-технологической модели управления учебным процессом ДО, включающей в себя систему поддержки принятия решений на основе анализа интегральных показателей учебного процесса (рейтингов), формируемых с помощью иерархических многослойных нейронных сетей. Используемый математический аппарат позволяет реализовать интеллектуальную технологию оценки качества дистанционного обучения на основе присущей нейронным сетям способности к самообучению. Данная модель может применяться не только в системе дистанционного образования, но и при традиционном учебном процессе в вузе. Построим информационно-технологическую модель управления учебным процессом с помощью метода поэтапной детализации. С общей точки зрения традиционная подготовка специалиста в вузе может быть представлена схемой на рисунке 1. Крупные контурные стрелки обозначают здесь управляющие каналы, а маленькие сплошные стрелки - каналы обратной связи (информационные каналы для механизмов коррекции управляющих воздействий). Эта модель отражает макропоказатели учебного процесса. Поясним, о чем идет речь. Социальный заказ получает формальное выражение в модели выпускника (специальности). Социальный заказ может меняться непрерывно, а модель выпускника - лишь в дискретные моменты времени. В соответствии со специальностью разрабатывается учебный план, который реализуется в ходе учебного процесса при соответствующем учебно-методическом, кадровом, организационном и хозяйственном обеспечении. По истечении определенного учебным планом срока происходит первый выпуск специалистов, отзывы на который формируют, во-первых, обратную связь, корректирующую соответствующий социальный заказ и имещую целью приведение модели выпускника к соответствию с реалиями, и, во-вторых, обратную связь, имеющую целью коррекцию параметров учебного процесса для приведения их в соответствие с моделью выпускника. В этой модели существует задержка первого цикла коррекции учебного плана. Эта задержка составляет пять лет (столько в среднем продолжается обучение). В современной динамичной жизни такие параметры не устраивают ни потенциальных заказчиков, ни самих студентов. Поэтому в новых моделях обучения предполагается возможность ежегодной коррекции учебного процесса, в том числе и учебного плана. Естественно, что тогда в качестве источников обратной связи должны рассматриваться как выпускники, так и студенты (а иногда при комплексном подходе к подготовке кадров - и абитуриенты). При этом показатели обученности студентов имеют смысл, только если с их помощью будет прогнозироваться уровень профессиональной подготовки выпускников. Новая модель представлена на рисунке 2. Существует мнение, что смысл применения рейтинговых систем заключается во внедрении новой прогрессивной технологии обучения, повышающей уровень стимулирования студентов, вводящей состязательность и т.д. При этом глобальная прогностическая функция рейтинга считается несущественной из-за того, что влияние текущих социально-психологических и индивидуально-психологических факторов на качество обучения сильнее, чем влияние отзывов о профессиональной деятельности выпускников. На наш взгляд, рационально для обратной связи использовать только результаты обучения того же (еще обучающегося) поколения, но на предыдущих этапах пребывания в вузе. Плодотворнее в рамках общего подхода к системе управления учебным процессом не противопоставлять обратные связи, источниками которых являются как студенты, так и выпускники вуза, а рассматривать их в системном единстве. Отсутствие в публикациях такой точки зрения можно объяснить тем обстоятельством, что рейтинговые системы в настоящее время носят эмпирический, экспериментальный характер и в основном направлены на решение узких дидактических и организационнометодических вопросов учебного процесса. Думается, что роль рейтинга шире: это основной интегральный показатель учебного процесса (здесь используется обобщенное понятие рейтинга, а в действительности используются различные - кафедральные, текущие, накопленные и т.д. - рейтинги), позволяющий решать наиболее важные задачи управления системой обучения в вузе. Конечно, организовать учет мнений относительно профессиональных качеств молодых специалистов - выпускников вуза - задача непростая. Она связана с необходимостью оценить слабоформализуемые признаки и создать систему классификации этих признаков. Что касается обработки оценочных ведомостей - то это несложная процедура. Предлагаемая ниже единая математическая модель для интегральных показателей рейтингов - учитывает возможность оценки слабоформализуемых признаков. Усложнение структуры информационных потоков и управления учебным процессом приводит к необходимости разработки и использования системы поддержки принятия решений по управлению учебным процессом. В этом случае выработка оценок и рекомендаций основана на анализе информационных потоков, следовательно, на использовании формальных математических методов обработки данных. Таким образом, возникает задача формального описания информационных потоков в системе управления учебным процессом. Вместе с тем выработка рекомендаций как функция системы поддержки принятия решений связана с задачей предсказать поведение исследуемой системы. Методы прогнозирования эффективны в случае одномерного характера данных. В многомерном случае усложняются как методы поиска оптимального решения, так и процедуры обработки данных [1]. Поэтому часто применяют метод взвешивания критериев и скаляризации данных. Как правило, вектор показателей студента с помощью метода скаляризации заменяется на рейтинг, отражающий наиболее устойчивые индивидуальные характеристики усвоения знаний, навыков и умений. Таким образом, происходит дальнейшая детализация учебного процесса, связанная с необходимостью наличия подсистем сбора и хранения квалиметрических данных, подсистемы обработки квалиметрических данных в соответствии с выбранной моделью скаляризации, подсистемы коррекции параметров модели, подсистемы анализа тенденций и формирования прогнозов качества обучения, подсистемы оперативно-диспетчерского управления. Перечислим объекты управления учебного процесса. Основным документом, определяющим подготовку специалистов, является учебный план. Он реализуется с помощью учебно-методического комплекса, имеющего свою, подчас сложную структуру. Учебный план порождает расписание занятий, которое зависит от состава и количества студентов, аудиторного фонда, расстановки профессорско-преподавательского состава кафедр и иных обстоятельств. Специфика учебного процесса многих вузов может накладывать свои ограничения как на степень возможной автоматизации процесса принятия решения, так и на степень адекватности методов скаляризации качеству обученности студента. Причиной здесь может быть трудность построения формальных математических моделей описания учебного процесса. На рисунке 3 приведена схема детализации учебного процесса в соответствии со сформулированными информационно-технологическими принципами. Во избежание перегруженности схемы информационные и командные тракты совмещенны в одну линию. Наличие двух стрелок говорит об информационно-командном взаимодействии объектов, наличие одной - только об одном из видов взаимодействия. В соответствии с [2] каждый объект является относительно самостоятельным, способным принимать решения с учетом корректирующего (управляющего, командного) канала и поставлять информацию о своем функционировании с помощью информационного канала. Методы анализа иерархий [3] и многоуровневых иерархических систем [2] можно использовать для приведенной информационно-технологической схемы, если пренебречь некоторыми каналами (то есть зависимостями между объектами и некоторыми объектами в том числе) так, что модифицированная схема приобретает иерархический вид. Простой пример такой иерархизации представлен на рисунке 4. Разумеется, число уровней иерархии определяется структурой рассматриваемых субъектов управления. Задача формального построения и описания таких моделей учебного процесса остается за рамками настоящей статьи. Однако инвариантной, общей их частью является система управления. Система управления представляется в виде двух блоков: системы оперативнодиспетчерского управления и системы поддержки принятия решений. Думается, из-за недостаточной проработки формального описания функционирования информационных потоков в настоящее время более важная роль отводится системе поддержки принятия решений, а не автоматизированной технологии управления (и в этом автор согласен с [4]). Роль системы поддержки принятия решений видится в обработке информационных потоков и формировании обобщенных выводов, анализе тенденций и выработке рекомендаций. Предлагаемая схема позволяет разделить командные функции управления и функции обеспечения и формирования выводов. Благодаря гибкости предложенной схемы можно вносить изменения в одну компоненту без коррекции (или с минимальной коррекцией) другой. Кроме того, упрощается синтез системы управления учебным процессом, так как каждый блок можно проектировать относительно независимо, соблюдая лишь спецификации интерфейса между блоками. Рассмотрим теперь математическое обеспечение системы поддержки принятия решений. Оно является совокупностью математических методов, моделей, алгоритмов представления, хранения, обработки и передачи информации, используемых как при создании системы, так и при ее эксплуатации. Математическое обеспечение занимает центральное место в силу того, что в автоматизированных системах управления фактически поддерживаются динамические математические и информационные модели некоторых реальных предметных областей. Действительно, интеграция обобщенных количественных показателей, вырабатываемых этими подсистемами, может производиться с помощью одной из экспертных систем. В частности, экспертную систему может представлять собой и сам эксперт. Теория экспертных систем долгое время развивается [5], существуют методики сбора и формализации экспертной информации и правила ее преобразования. Математическое моделирование рейтинга, обоснование выбора модели, синтез технологических схем для выработки показателей качества обучения, качества деятельности преподавателей, структурных подразделений вуза и т.п. проработаны слабо. Выделим здесь некоторые задачи и укажем пути их решения. Математическая модель рейтинга. Включает разработку математических методов скаляризации векторной информации о состоянии учебного процесса и обосновании выбора интегральных показателей, характеризующих, во-первых, качество обучения студента и, во-вторых, тенденции развития учебного процесса. Как правило, при учете характеристик студента приходится иметь дело с разными данными, включающими в себя как количественные, так и качественные показатели. Общая формальная модель учебного процесса, по-видимому, не является стационарной, по крайней мере сегодня можно говорить только о слабой формализуемости последнего. Для выделения наиболее существенных зависимостей, закономерностей исследуемых слабоформализуемых процессов в современных научных исследованиях широко используется бионический подход, связанный с моделированием деятельности центральной нервной системы и основанный на построении вычислительных сетей из нейроподобных элементов, осуществляющих параллельную обработку информации. Иногда такую форму искусственного интеллекта называют нейроинтеллектом, технически он воплощен в нейрокомпьютере [6]. Нейрокомпьютер - это многоуровневая адаптивная обучающаяся сеть из нейроподобных элементов, связи между которыми частично предопределены и фиксированы, частично перестраиваются в процессе решения задачи. Успехи этого направления связаны с прогрессом нейронауки, изучающей принципы переработки информации в живых организмах. Как показала практика решения подобных задач [7], применение искусственных нейронных сетей (ИНС) часто позволяет обходить вопросы формирования математических моделей исследуемых систем. Одной из первых математических моделей искусственного нейрона явилась булева пороговая функция [8]. Ее обобщение - это многозначная пороговая функция [9], кроме того, существует традиционный метод моделирования многозначных функций с помощью ИНС [7]. Поэтому за базовый метод скаляризации, обоснованный как приведенными аргументами, так и личными научными предпочтениями автора, следует принять моделирование интегральных показателей качества обучения на основе ИНС. Выбор параметров математической модели рейтингов. Поскольку в ИНС, как правило, соединения между нейронами полагают фиксированными, то выбор параметров сводится к настройке параметров нейронов. Это - задача обучения ИНС [7]. Математические методы анализа тенденций и выработки прогнозов развития рейтинговой модели учебного процесса. Система поддержки принятия решений должна уметь обрабатывать рейтинговые и оценочные данные для анализа тенденций и предсказания поведения рейтинговых показателей учебного процесса. Итак, сфера высшего образования переживает период перехода к системам управления учебным процессом, которые обеспечивают оперативную реакцию на динамично меняющиеся представления о качествах выпускника, осуществляют коррекцию учебных планов, повышающих интенсивность и качество обучения. Последние системы, хотя и используют подчас различные модели и технологии обучения, едины в одном - в применении интегральных количественных показателей качества обучения, называемых рейтингами. Ряд рейтинговых систем уже опробован и используется в нескольких вузах России. Однако степень их формализации невысока. Обоснования выбора технологических параметров рейтинговых систем не встречается практически ни в одном случае. Дальнейшее развитие рейтинговых систем, по мнению автора, должно идти в направлении осмысления и теоретического обобщения накопленного опыта, применение математических методов создания систем поддержки принятия решений на основе рейтинговых показателей. Литература 1. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды / Пер. с англ. - М.: Наука, 1976. 2. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. 3. Саати Т. Принятие решений. Метод анализ иерархий. - М.: Радио и связь, 1993. 4. Касимов Р.Я., Сафонов А.Ф., Лукьянов Б.В. и др. Рейтинговая автоматизированная система управления обучением студентов // Новые информационные технологии в образовании. Обзор. информ. НИИВО. - М., 1994. - Вып. 1. - 64 с. 5. George F.Luger, William A. Stubblefield. Artificial Intelligence and the Design of Expert Systems. The Benjamin/Cummings Publishing Company, Inc. 1989. 6. Балакин Г.В. Вместо предисловия: От пороговой логики к искусственному интеллекту через нейроматематику и нейрокомпьютеры // Обозрение прикладной и промышленной математики. Сер. дискретн. матем. - 1994. - Том.1. - Вып.3. - С.354-356. 7. Уоссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992. 8. Маккаллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы. - М.:ИЛ, 1956. - С. 362-384. 9. Шурупов А.Н. Методы повышения достоверности выводов при обработке информации, полученной из разнородных источников на основе многозначных процедур взвешенного голосования // Безопасность информационных технологий. - 1997. - Вып.1. С. 66-71.