«Информационные технологии в профессиональной деятельности и научной работе Сборник материалов региональной научнопрактической конференции Йошкар-Ола 2005 2 УДК 681.3 ББК И. Программный комитет: Иванов В.А. – д. ф-м. н., ...»

1

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ

МАРИЙСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

Информационные технологии

в профессиональной

деятельности

и научной работе

Сборник материалов региональной научнопрактической конференции

Йошкар-Ола 2005 2 УДК 681.3 ББК И..

Программный комитет:

Иванов В.А. – д. ф-м. н., профессор, академик МАТК, заведующий кафедрой высшей математики, проректор по научной работе; Шебашев В.Е. – к.т.н., проректор-директор библиотеки; Сидоркина И.Г. – д.т.н., профессор кафедры ИВС, декан ФИиВТ; Кошкин В.В. – к.т.н., доцент, зам. декана ФИиВТ; Мясников В.И. – к.т.н., доцент, зав. кафедрой ИВС; Соболев А.Н. – д.т.н., профессор, зав кафедрой ИиСП; Морозов М.Н. – к.т.н., профессор кафедры ИиСП; Кревецкий А.В. – к.т.н., доцент кафедры информатики;

Леухин А.Н. – к.т.н., доцент, зав. кафедрой информатики; Галочкин В.И. – к.т.н., доцент кафедры ИиСП; Масленников А.С. – к.т.н., доцент кафедры физики; Нехаев И.Н. – к.т.н., доцент кафедры прикладной математики; Васяева Н.С. – к.т.н., доцент кафедры ИВС; Васяева Е.С. – к.т.н., доцент кафедры ИиСП; Малашкевич И.А. – ст. преподаватель кафедры ИВС.

Редакционная коллегия:

Шигаева М.И – главный редактор издательства; Иванов В.А. – д. ф-м. н., профессор, проректор МарГТУ по научной работе, Сидоркина И.Г. – д.т.н., профессор кафедры ИВС МарГТУ.

И.. Информационные технологии в профессиональной деятельности и научной работе: Сборник материалов региональной научно-практической конференции. – Йошкар-Ола: МарГТУ, 2005. – 211 c.

ISBN 5-8158-0352- В настоящий сборник включены статьи и краткие сообщения по материалам докладов региональной научно-практической конференции «Информационные технологии в профессиональной деятельности и научной работе» по результатам исследований в следующих областях: Базы знаний и интеллектуальные системы; системы классификации и распознавания образов;

сетевые технологии и коммуникации; специальные системы, а так же разработки средств компьютерного обучения, инновационного образования и дистанционного тестирования.

УДК 681. ББК … © Марийский государственный ISBN 5-8158-0352- технический университет,

СОДЕРЖАНИЕ

Предисловие Ю.Н. Егорова ТЕХНОЛОГИЯ CONCEPT MAPPING КАК

ЭФФЕКТИВНОЕ СРЕДСТВО ОРГАНИЗАЦИИ САМОСТОЯТЕЛЬНОЙ

РАБОТЫ СТУДЕНТОВ

Г.Р. Мукаева, Е.М. Пестряев, Е.А. Кантор БАЗА ЗАДАНИЙ ДЛЯ

ВЫЯВЛЕНИЯ УРОВНЯ ЗНАНИЙ ПО ФИЗИКЕ

Г.П. Белов ЭКСПЕРТНЫЕ СИСТЕМЫ И ИХ ПРИМЕНЕНИЕ В

ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

А.В. Вахутов ОСОБЕННОСТИ РАЗРАБОТКИ ОБУЧАЮЩЕГО

ПРОГРАММНОГО КОМПЛЕКСА ПО ЭКОЛОГИИ ДЛЯ СИСТЕМЫ

ДИСТАНЦИОННОГО ОБУЧЕНИЯ ВУЗА

А.В. Парфенов ПРИМЕНЕНИЕ ГИС-ТЕХНОЛОГИЙ В УЧЕБНОМ

ПРОЦЕССЕ, НА ПРИМЕРЕ ОСВОЕНИЯ И РАБОТЫ С ГИС

СИСТЕМОЙ ARC VIEW ФИРМЫ ESRI (США)

А. М. Агафонов, Ю.В. Глущенко, Н. М. Дубинин, Б. Г. Лукьянов, С. Л.

Неустроев ИНФОРМАЦИОННАЯ СИСТЕМА ИНДИВИДУАЛЬНОЙ

ПОДДЕРЖКИ ВЫБОРА ПАРАМЕТРОВ ТРЕНИРОВОЧНОГО

ПРОЦЕССА ОБУЧАЕМЫМ

А.В.Зуев АНАЛИЗ АВТОМАТИЗИРОВАННОЙ ОБУЧАЮЩЕЙ

СИСТЕМЫ “ЭКСПЕРТ” А.В. Зуев, Н.М. Скулкин, А.А.Власов РАЗРАБОТКА

СТРУТКУРИРОВАННЫХ ИНФОРМАЦИОННЫХ МАССИВОВ

УПРАВЛЕНИЯ КАЧЕСТВОМ ИЗДЕЛИЙ ЭЛЕКТРОННОЙ ТЕХНИКИ

(МКК, МКП) В.П. Киселева ТЕХНОЛОГИЯ СОЗДАНИЯ БАНКА

АТТЕСТАЦИОННЫХ ПЕДАГОГИЧЕСКИХ ИЗМЕРИТЕЛЬНЫХ

МАТЕРИАЛОВ ПО МАТЕМАТИКЕ

Р.С. Байрамгулова, Т.Г. Жданова, Н.Ю. Фаткуллин ПРИМЕНЕНИЕ

НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В РЕШЕНИИ ЗАДАЧ

ПРОГНОЗИРОВАНИЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ

СТУДЕНТОВ

К.Э. Писаренко, В.Ж. Квитко, Р.Г. Шарафиев, В.А. Буренин

УПОРЯДОЧЕНИЕ ДОКУМЕНТАЦИИ ПРИ ВНЕДРЕНИИ СИСТЕМ

МЕНЕДЖМЕНТА КАЧЕСТВА НА ОСНОВЕ СТАНДАРТОВ ИСО

В ВУЗАХ

Ю.А. Ипатов РАСПОЗНАВАНИЕ ФОРМЫ ФЮЗЕЛЯЖЕЙ

ЛЕТАТЕЛЬНЫХ АППАРАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

А.В. Богомолов РАЗРАБОТКА АНАЛИТИЧЕСКОЙ СИСТЕМЫ

ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ В СОЦИАЛЬНОЙ СФЕРЕ НА

ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Н.Э. Урманшина, Р.Г. Галеев, О.В. Галимнурова, С.В. Бойко СЕТЬ

«ИНТЕРНЕТ» И УЧЕБНЫЙ ПРОЦЕСС ВЫСШЕЙ ШКОЛЫ

ТРАНЗАКЦИЙ НА УЗЛАХ ИНТЕЛЛЕКТУАЛЬНОЙ ТЕЛЕФОННОЙ

СЕТИ В.Б. Малашкевич, И.А. Малашкевич АКТИВНАЯ ЗАЩИТА

КОРПОРАТИВНОЙ СЕТИ

Н.С. Васяева, А.В. Скулкин DoS АТАКИ, ОБНАРУЖЕНИЕ И ИХ

ПРЕДОТВРАЩЕНИЕ В КОМПЬЮТЕРНЫХ СЕТЯХ

Р.К. Вильданов РАЗРАБОТКА ИНТЕРНЕТ-РЕСУРСА «РЕГИОНЫ» И.Н. Стародонов СЕГМЕНТИРОВАНИЕ СЕТИ КАК СРЕДСТВО

ПОВЫШЕНИЯ УСТОЙЧИВОСТИ И БЕЗОПАСНОСТИ

О.Г. Нефедова ОРГАНИЗАЦИОННЫЕ АСПЕКТЫ ИСПОЛЬЗОВАНИЯ

ИНТЕРНЕТ-РЕСУРСА «РЕГИОНЫ»

А.В. Кирий, А.В. Богомолов ВЫБОР КРИТЕРИЕВ ОЦЕНКИ

ЭФФЕКТИВНОСТИ САЙТА

А.В. Новиков, Л. Г. Нехорошкова СИСТЕМА «АБИТУРИЕНТ»

Р. Н. Ефремов АВТОМАТИЧЕСКИЙ НАПРАВЛЕННЫЙ ПОИСК

НЕСТРУКТУРИРОВАННОЙ И СЛАБОСТРУКТУРИРОВАННОЙ

ИНФОРМАЦИИ В ГЕТЕРОГЕННЫХ РАСПРЕДЕЛЕННЫХ СРЕДАХ

Е.Ю. Буланкина ИССЛЕДОВАНИЕ СКОРОСТНОЙ

ХАРАКТЕРИСТИКИ РЛС НА ОСНОВЕ ОКОННЫХ ФИЛЬТРОВ С

ВОБУЛЯЦИЕЙ ПЕРИОДА ПОВТОРЕНИЯ ЗОНДИРУЮЩИХ

СИГНАЛОВ ПО ТРЕУГОЛЬНОМУ ЗАКОНУ

В.М. Нехорошков ОБ АВТОМАТИЗАЦИИ РАСЧЕТОВ

ПРОДОЛЖИТЕЛЬНОСТИ СУШКИ ПИЛОМАТЕРИАЛА И ЗАГРУЗКИ

СУШИЛЬНОГО ОБОРУДОВАНИЯ

А.Е. Пантелеев, Р.В. Проников ДИНАМИЧЕСКОЕ

МОДЕЛИРОВАНИЕ С ЦЕЛЬЮ ОЦЕНКИ ВРЕМЕННЫХ

ХАРАКТЕРИСТИК ВЫПОЛНЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ

Р.В. Проников, А.Е. Пантелеев АСПЕКТЫ ПРОЕКТИРОВАНИЯ

ПУЛЬТА ДИСТАНЦИОННОГО УПРАВЛЕНИЯ ПОДВИЖНЫМИ

ОБЪЕКТАМИ

М.И. Хакимьянов, В.Д. Ковшов ИЗМЕРИТЕЛЬНЫЕ

ПРЕОБРАЗОВАТЕЛИ СОВРЕМЕННЫХ СИСТЕМ

ДИНАМОМЕТРИРОВАНИЯ ШТАНГОВЫХ ГЛУБИННЫХ НАСОСОВ

В.Д. Ковшов, С.В. Светлакова АНАЛИЗ ПРОГРАММНОГО

ОБЕСПЕЧЕНИЯ СОВРЕМЕННЫХ СИСТЕМ

ДИНАМОМЕТРИРОВАНИЯ ШТАНГОВЫХ ГЛУБИННЫХ НАСОСОВ

Л.А.Тюрина, Е.А.Кантор, С.А.Кирлан, Л.Ш.Сементеева АНАЛИЗ

ВЛИЯНИЯ СТРУКТУРНЫХФРАГМЕНТОВ ГЕТЕРОЦИКЛИЧЕСКИХ

ПРОИЗВОДНЫХ НА РОСТРЕГУЛИРУЮЩУЮ АКТИВНОСТЬ

К.Э. Писаренко, В.Ж. Квитко, В.А. Буренин, Р.Г. Шарафиев АНАЛИЗ

И СИСТЕМАТИЗАЦИЯ ПРОЦЕССОВ ВУЗА С УЧЕТОМ

ТРЕБОВАНИЙ ИСО И.Б. Бетелина, С.А. Кирлан, Л.А. Тюрина, Ф.С. Зарудий, Н.Ж.

Басченко ИССЛЕДОВАНИЕ ПРОТИВОЯЗВЕННОЙ АКТИВНОСТИ

СИНТЕТИЧЕСКИХ АНАЛОГОВ ПГЕ

Л.Х. Юлдыбаев КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ ИЗУЧЕНИЯ

КУРСА ВЫСШЕЙ МАТЕМАТИКИ В ТЕХНИЧЕСКОМ ВУЗЕ

Р.С. Байрамгулова, Т.Г. Жданова, Н.Ю. Фаткуллин ОПТИМИЗАЦИЯ

ДЕЯТЕЛЬНОСТИ ПРЕПОДАВАТЕЛЬСКОГО СОСТАВА ВЫСШИХ

УЧЕБНЫХ ЗАВЕДЕНИЙ АЛГОРИТМАМИ ТЕОРИИ НЕЧЕТКИХ

МНОЖЕСТВ

А.Э. Софиев, Е.А. Черткова, Д.И. Карасев РАЗРАБОТКА

ДИНАМИЧЕСКОЙ МОДЕЛИ С ИСПОЛЬЗОВАНИЕМ UNIFIED

MODELING LANGUAGE ДЛЯ ИНФОРМАЦИОННОАНАЛИТИЧЕСКОЙ СИСТЕМЫ

А.А Зарафьянц МЕТОДЫ АВТОМАТИЗАЦИИ ЖИЗНЕННОГО

ЦИКЛА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ САПР

А.В. Комаров, Е.В. Тер-Нерсесянц, А.В. Хохлов МЕТОД СНИЖЕНИЯ

ОПТИЧЕСКИХ ПОТЕРЬ В ФОТОННО-КРИСТАЛЛИЧЕСКОМ

КВАРЦЕВОМ ВОЛОКНЕ

Ю.А. Яковлев, Т.А.Павловская АДАПТАЦИЯ МЕТОДА ГЕНЕРАЦИИ

ВХОДНЫХ ДАННЫХ ДЛЯ ТЕСТИРОВАНИЯ ПРОГРАММ С

ПАРАМЕТРАМИ ПРОЦЕДУРНОГО ТИПА

И.А.Митченко, М.В.Щербакова, В.В. Елифиренко

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ПРОЦЕССЕ ОБУЧЕНИЯ

А.О. Воробьёв, А.Г. Коробейников АВТОМАТИЗАЦИЯ

ЭЛЕКТРОПУНКТУРНЫХ ДИАГНОСТИЧЕСКИХ СИСТЕМ

Г. А. Иванов ПРОГРАММНЫЙ КОМПЛЕКС РЕШЕНИЯ ЗАДАЧ

РАЗМЕЩЕНИЯ МАШИН И ОБОРУДОВАНИЙ С УЧЕТОМ ИХ ЗОН

ВЗАИМОДЕЙСТВИЯ

С.И. Олзоева, С.Б. Ябжанова МЕТОДЫ АВТОМАТИЗАЦИИ

РАСПРЕДЕЛЕНИЯ ВЫЧИСЛИТЕЛЬНОГО ПРОЦЕССА

ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ СИСТЕМ

Д.А. Давыдов, Р.Г. Шарафиев АЛГОРИТМ АДАПТАЦИИ ПРИ

ПРОВЕДЕНИИ КОМПЬЮТЕРНОГО КОНТРОЛЯ ЗНАНИЙ

В.И. Мясников РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

ВСТРОЕННЫХ СИСТЕМ

Д.В. Котов, А.С. Фазлетдинов, И.Г. Ибрагимов ВНЕДРЕНИЕ

ДИСТАНЦИОННОГО ОБУЧЕНИЯ В УГНТУ

А.Н.Соболев НЕКОТОРЫЕ ОСОБЕННОСТИ ПРОЯВЛЕНИЯ

ФИЗИЧЕСКИХ ЭФФЕКТОВ В ОБЛАСТИ

ЭНЕРГОИНФОРМАЦИОННЫХ ВЗАИМОДЕЙСТВИЙ

Е.С. Васяева, Н.С. Васяева, Д.В. Морохин ПРЕДСТАВЛЕНИЕ SQLЗАПРОСОВ ТИПИЧНЫМИ ДЕРЕВЬЯМИ РАЗБОРА Е.С. Васяева, В.В. Пылин КРИПТОАНАЛИЗ ЭЦП ДИСКРЕТНОЕ

ЛОГАРИФМИРОВАНИЕ

А.А. Лобанов ПРОГРАММНЫЙ МОДУЛЬ ПОДДЕРЖКИ СИСТЕМЫ

“РИТМ” НА УРОВНЕ КАФЕДРЫ

К.Ю. Пастбин, А.А. Лобанов, А.С. Масленников ПРОГРАММНЫЙ

КОМПЛЕКС КАМЕРТОН: МОДУЛЬ АНАЛИЗА И МОНИТОРИНГА

РЕЗУЛЬТАТОВ АТТЕСТАЦИОННОГО ТЕСТИРОВАНИЯ

Е.С.Сидоркина КУМУЛЯТИВНЫЙ ЭФФЕКТ ПРИ ПРОИЗВОДСТВЕ

РАДИОЭЛЕКТРОННЫХ ПРИБОРОВ

С.В. Винокуров, И.Г. Сидоркина АВТОМАТИЗИРОВАННОЕ

РАБОЧЕЕ МЕСТО ЭКСПЕРТА ПРИ ПРОВЕДЕНИИ ВНЕШНЕЙ

ЭКСПЕРТИЗЫ ВУЗА

Д.А. Полевщиков, Д.М. Леухин АЛГОРИТМИЧЕСКАЯ МОДЕЛЬ

ПОСТРОЕНИЯ ДИАГРАММЫ РАНЖИРОВАНИЯ ПОКАЗАТЕЛЕЙ С

ПОДФОНОМ

В.Г. Наводнов, А.С. Масленников, Л.Н. Шарафутдинова

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ МОДУЛЬНО-МАТРИЧНОГО

ТЕСТИРОВАНИЯ ПРИ ОЦЕНКЕ УРОВНЯ ПОДГОТОВКИ

СТУДЕНТОВ

А.А.Власов, Е.И. Мамаев ВЫБОР НАСТРАИВАЕМОГО ЭЛЕМЕНТА

АЛУ С ПРОГРАММИРУЕМОЙ СТРУКТУРОЙ

Е.И. Мамаев ОРГАНИЗАЦИЯ ЛОГИЧЕСКИХ ВЫЧИСЛЕНИЙ НА

ОСНОВЕ РАСШИРЕННЫХ АРИФМЕТИЧЕСКИХ ПОЛИНОМОВ

Д.А. Полевщиков ИСПОЛЬЗОВАНИЕ МНОГОРЯДНЫХ

ТРЕХМЕРНЫХ ДИАГРАММ РАНЖИРОВАНИЯ

Одним из основных направлений в развитии наук

и сегодня является использование результатов, полученных при решении исследовательских задач при оптимальном применении средств вычислительной техники и информационных технологий. Широкий обмен научными достижениями – это один из наиболее важных факторов развития данной проблематики. На достижение этой цели и направлено проведение региональной научно-практической конференции «Информационные технологии в профессиональной деятельности и научной работе» и публикация результатов исследований в этой области. Материалы сборника показали, что конференция вызвала большой интерес у ученых, аспирантов и специалистов вузов не только в рамках Приволжского региона, но и за его пределами.

Область профессиональной деятельности специалиста по информационным технологиям – это область науки и техники, которая включает совокупность средств, способов и методов деятельности, направленных на создание и применение информационных систем, сетей, их математическое, информационное и программное обеспечение, способы и методы проектирования различных объектов, отладки, производства и эксплуатации автоматизированных систем.

Труды конференции отражают и результаты исследований в области искусственного интеллекта практически по всем его направлениям, сетевым технологиям и средствам коммуникации;

специальным системам, предназначенным для компьютерного обучения, инновационного образования и дистанционного тестирования.

Неизменный активный интерес представляют вопросы использования электронного (eLearning) образования компьютеризации учебного процесса, оценки и управления качеством подготовки специалистов. Такая стабильность интересов к перечисленным вопросам свидетельствует об их значимости для качества высшего образования.

Таким образом, область информационных технологий представлена в материалах конференции актуальной областью знаний, имеющей общенаучное значение и как широкая область профессиональной деятельности, играющая ведущую роль в индустрии обработки информации.

определенным представленными выше направлениями.

Доклады публикуются без сокращений и изменений в том виде, в каком они были присланы на конференцию. Некоторые материалы носят дискуссионный характер. Большое количество докладов присланы молодыми учеными, что свидетельствует о постоянном научном интересе к проблеме применения информационных технологий в различных областях науки и техники.

Организаторы конференции выражают свою уверенность в том, что проведенная конференция послужит новым импульсом для дальнейших научных исследований и получения новых практических результатов в области применения информационных технологий.

Настоящее издание будет полезно широкому кругу научных работников и специалистов, а так же студентам старших курсов, магистрантам и аспирантам соответствующего профиля.

Настоящий сборник подготовлен и издан при поддержке Попечительского совета факультета Информатики и вычислительной техники МарГТУ.

Сборник материалов конференции подготовлен к изданию при непосредственном участии сотрудников Факультета информатики и вычислительной техники МарГТУ.

Редакционная коллегия заранее благодарна за отзывы и замечания, которые следует направлять по адресу:

424000, Марий Эл, г.Йошкар-Ола, пл.Ленина, 3, E-Mail: [email protected],[email protected] Марийский государственный технический университет

ТЕХНОЛОГИЯ CONCEPT MAPPING КАК

ЭФФЕКТИВНОЕ СРЕДСТВО ОРГАНИЗАЦИИ

САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ

Вот уже несколько столетий человечество хранит свои знания в страничном виде: начиная с древних книг первопечатников и заканчивая web-страницами в глобальной Сети. Исследователи из Университета Западной Флориды, США, утверждают, что есть другие, более эффективные способы предоставить человеку возможность ознакомиться с информацией. Вообще говоря, идея не нова, она разрабатывалась ещё с 80-х годов, но для целей более эффективной систематизации информации, публикуемой на обычной бумаге. Теперь же профессор Альберто Канас (Alberto Canas) с коллегами надеются совершить маленький переворот в Сети, заменив систему web-страниц на принципиально новую, названную ими концептуальными картами (concept mapping, далее СМ). Концептуальные карты являются двумерным представлением набора понятий, описывающих объекты или явления, и функциональных взаимосвязей между ними, т.е это древовидная структура, целиком посвящённая какой-либо теме;

отдельные узлы на ней являют собой более мелкие составляющие общего знания, важные для понимания значения общей темы. А связи объясняют, каким образом узлы взаимодействуют между собой.

Преимущество такого представления знаний, накопленных по какомулибо вопросу, в возможности их более лёгкого и соответственно быстрого усвоения. В настоящее время технология используется в нескольких проектах NASA – в частности, для систематизации информации о Марсе и демонстрации строения сложных ракетных систем. Учёные написали программное обеспечение, позволяющее создавать и просматривать сайты, построенные на идее концептуальных карт. Технология призвана не заменить обычные браузеры, а дополнить их, наделив новой функциональностью.

Одна из основных проблем, возникающих у студентов, работающих с электронными образовательными ресурсами, связана с необходимостью принимать адекватные решения относительно порядка и способов освоения материала той или иной дисциплины в условиях избыточности информации. По нашем у мнению, одним из решений этой задачи в условиях широкого использования дистанционных обучающих технологий существенную роль может сыграть привлечение студентов к построению и последующему использованию концептуальных схем.

Под концептуальной схемой традиционной понимают систему взаимосвязанных понятий, с помощью которых можно дать свое описание конкретного объекта, процесса или явления.

Соответственно, и технология СМ позволяет обучающемуся выразить собственные представления об отношениях между концептами (понятиями) и конструктами (основными законами) изучаемой предметной области. Исследования показали, что данная технология представляется очень перспективной для организации и анализа (преподавателем) самостоятельной работы - благодаря как своим естественным для мышления приемам работы с информацией, так и интегративному, системообразующему по своей сути, общему назначению.

В современной психологии личности на основе когнитивной теории социального научения Альберта Бандуры исследуются информационные хранилища человека, их организация и использования в переработке информации. В центре внимания оказываются методы, с помощью которых люди - работают с информацией, усваивают новые знания, а также взаимосвязь между этими процессами и другими аспектами человеческой психики. И здесь, с точки зрения изучаемого нами вопроса, особый интерес вызывает концепция схемы - организованной структуры знаний об отдельном объекте. С точки зрения когнитивной психологии схемы - это гипотетические когнитивные структуры использующиеся для восприятии, организации, переработки и использования информации об окружающем мире. По существу, это то же самое, что и когнитивные модели, в которых делается акцент именно на структурные связи. Во многих случаях схематичность мыслительных процессов упрощает работу с потоком входящей информации.

Адекватно структурированное знание позволяет сосредоточиваться на подходящей информации, отбрасывая ненужную, а также правильно интерпретировать даже неоднозначную информацию, включая ее в уже существующие структуры или внося изменения в последние. Таким образом, с точки зрения современной психологии применение технологии СМ вполне оправданно. Образовательный процесс должен строиться на базе согласованных между собой способов составления знаний (гипертекстовая система), технологии преподавание (акцент на выявление связей и отношений в изучаемой предметной области) и технологии усвоения знаний обучающимися (СМ) с опорой на естественные возможности структурированной работы с поступающей информацией. В ряде случаев в практике преподавания некоторые элементы идеологии СМ реализуются стихийно – при изучении слабоформализуемых задач, а в некоторых случаях и там, где имеют адекватные а в некоторых случаях и там, где имеют адекватные математические модели, но их применение не вполне оправданно. Об этом свидетельствуют становящиеся сейчас все более популярными четко структурированные (в виде таблиц, деревьев, графов) знания, которые, по сути дела, служат основой СМ. И в этом смысле осознанное, рефлексированное формирование знаний по принципу построения концептуальной схемы с использованием соответствующих информационных технологий будет способствовать в дальнейшем действительно системному подходу при решении задач. Следует заметить, что сама идеология СМ сродни стихийному построению концептуальной системной модели изучаемого объекта. Причем построенная модель вполне адекватна, как истинным знаниям студента, так и сформированное у него системного подхода к решению задач. Системный подход к постановке и решению проблем трактуется по-разному, но, в конечном счете, представляет собой концепцию решения широкого круга задач, в том числе и слабоформализуемых. Анализ исследования показал, что такие задачи обычно характеризуются наличием большого количества факторов, в той или иной мере влияющих на их решение, отсутствием достаточной и достоверной или избыточной и противоречивой информации о них.

Непосредственная реализация системного подхода предусматривает три этапа:

- определение системы, частью которой является исследуемый объект;

- объяснение поведения или свойств этой системы;

- объяснение поведения или свойств интересующего нас объекта с точки зрения его функций в этой системе, элементом которой он является. В технологии СМ обучающийся, по сути проделывает то же самое, но дополнительно создается визуализация модели и систематизируются доступные студенту образовательные ресурсы.

Для студента как будущего специалиста важнейшим является получение связного, системного представления обо всех изучаемых дисциплинах, что в идеале должно было бы обеспечиваться единым подходом к преподаванию, но на практике является малореальным. Нам представляется, что решить подобную проблему можно на основе использования возможностей современных гипертекстовых технологий - для выработки единого подхода к формированию самим студентов материального воплощения систематизированных знаний об изучаемых дисциплинах в виде индивидуальных предметных образовательных сред. Костяком этих сред, средством поиска и навигации в них и являются концептуальные схемы, реализованные либо с помощью стандартных инструментов (например, MindMap, SmartDraw, CmapToolis и др.), либо в среде любого редактора Web-страниц (Word, Frontpage и др.). Электронная реализация концептуальных схем - это современная форма методических материалов (конспектов лекций, сборников методик и т.п.). В настоящее время роль таких материалов смогут играть индивидуальные систематизированные базы знаний, реализованные физически с использованием наиболее подходящих для этого технологий. Помимо специальных инструментальных средств, наиболее доступной и гибкой из числа информационных технологи)" подходящих для решения поставленных задач, безусловно, является гипертекстовая технология. С помощью этой технологии возможно объединение в единую базу знаний разнородной информации, связанной между собой с помощью гиперссылок: текстов и электронных таблиц, графической, мультимедийной информации, моделирующих программ, локальных и глобальных ресурсов Предложенный подход к организации обучения показал свою действенность при изучения отдельных тем дисциплин «Информатика», «Базы данных» для студентов первых курсов. В качестве основного типа обучения был выбран проблемный.

Студентам на протяжении всего времени изучения конкретных тем читались лекции, основанные на проблемном изложении материал, которое сочеталось с элементами дискуссионного характера. В этих лекциях обсуждались вопросы, связанные с идентификацией и концептуализацией рассматриваемых проблем. Концептуальные схемы создавались с использованием гипертекстовой технологии, позволяющей объединить текстовые описания и ссылки на электронные ресурсы. Среди этих ресурсов присутствовали как предлагаемые преподавателем, гак и специально разработанные самим обучающимся или найденными им самостоятельно в глобальной сети.

Построение концептуальных схем требует выделения основных понятий, терминов, законов изучаемой области знаний и связывания их словами (а также иллюстрациями), которые, по мнению: студента, описывают и объясняют взаимоотношения между ними. В ходе построении схемы студентам приходится организовывать и систематизировать свои знания. Таким образом, технология СМ помогает изучать новое и интегрировать каждую новую идею в существующее знание. Она может применяться и как инструмент для изучения развития познавательной самостоятельности студентов, поскольку построение схемы - это воплощение собственного понимания, собственных идей и слов, которым обозначаются связи. И в этом плане пропущенные ссылки и неверные связи говорят педагогу о том, что не усвоено. Это позволяет объективно оценить не только уровень знаний отдельных студентов, но и те разделы и темы, которые требуют дополнительных объяснений или, наоборот, постановки проблемных вопросов.

Захарова И.Г., Технология concept mapping в организации Межрегиональное Верхнее-Волжское отделение Академии технологических наук Российской Федерации (МВВО АТН РФ), 2. http://www.cnews.ru/education/ Золотов Е., Концепция сменилась,http://www.cnews.ru/education/ http://www.cnews.ru/newcom/ Г.Р. Мукаева, Е.М. Пестряев, Е.А. Кантор Уфимский государственный нефтяной технический университет

БАЗА ЗАДАНИЙ ДЛЯ ВЫЯВЛЕНИЯ УРОВНЯ ЗНАНИЙ

ПО ФИЗИКЕ

Компьютерная база испытательного материала кафедры физики Уфимского государственного нефтяного технического университета для проведения тестирования уровня знаний в настоящее время содержит более 2000 заданий. База разбита на 10 разделов: кинематика ( заданий), динамика и законы сохранения в механике (319), статика и гидростатика (143), молекулярная физика (205), термодинамика (209), электростатика (205), постоянный ток (230), магнитное поле, колебания и волны (461), оптика (218), квантовая физика, физика атома, физика ядра (237). Критерии отбора материала определялись основными факторами, а именно: соответствие заданий программам для средних и высших школ; выбор сложности в зависимости от количественных и качественных характеристик задания; однозначность интерпретации условий и вопросов задания; соответствие условий задания реальным явлениям.

Формирование вариантов (билетов) осуществляется в следующем порядке. Случайным образом из каждого раздела выбираются задания определенного ранга сложности (рангу присваивается соответствующее число баллов), например, шесть заданий с рангом сложности (оценивается в 2 балла каждая), три задания сложности 2 (3 балла), одно задание сложности 1 (4 балла). Таким образом, наибольшее число баллов, которое может получить тестируемый составляет 25.

Предусмотрена возможность формирования вариантов с разнообразным количеством заданий по сложности. Так, например, при определении стартового уровня испытуемых, в вариант выбираются задания уровней сложности 3, 4 и 5. Каждое задание снабжено пятью выборочными ответами. Параллельно с генерацией билетов программа формирует файл правильных ответов ко всем составленным вариантам, ключевой файл и файл оригинальной информации о задачах для сбора статистики решаемости. Информация извлекается из файлов и в течение двух-трех часов, в зависимости от быстродействия компьютера и принтера, генерируются до 2000 неповторяющихся вариантов. Каждый тестируемый может получить свой индивидуальный вариант, распечатанный за несколько часов до тестирования.

Шифровка результатов письменной работы проводится учащимся самостоятельно в графическом виде на листе тестирования. Лист тестирования представляет собой набор нескольких прямоугольников, разбитых на квадратные клетки размером 0,60,6 см2. Каждый блок имеет краткое мнемоническое описание, достаточное для того, чтобы тестируемый представил его назначение после устного инструктажа.

Программа обработки результатов тестирования работает в сочетании с предварительно подготовленным входным файлом номеров и фамилий тестируемых. В итоге формируется выходной файл, содержащий номер тестируемого, номер варианта его теста и количество правильных ответов, обычно переведенное в баллы. Эта информация при необходимости сразу может быть переведена в другой текстовый файл в форме ведомости с результатами только что проведенного тестирования. Текстовый файл ведомости, в свою очередь распечатывается из любого текстового редактора. Кроме того, формируется выходной файл с более подробной информацией о каждом тестируемом: вариант билета, номера заданий с полученными за них баллами (в зависимости от сложности задания и его решения). Если задание не выполнено, то за него ставится ноль баллов. Эта информация также может быть выведена на печать по фамилиям. Время проверки одного листа тестирования в среднем 10 секунд. Опыт тестирования показывает, что один человек за 3 часа проверяет около 1000 вариантов (компьютер Pentium 300 МГц).

Первоначальное присвоение ранга сложности задания проведено на основании экспертных оценок преподавателей. В настоящее время корректировка ранга сложности проводится на основании статистических данных. Для этого при компьютерной проверке результатов задания записывается количество случаев проверки задания и количество случаев его решения. Отношение последнего к первому при стремлении к единице, очевидно, дает основания считать задание легким и присвоить ему минимальный ранг сложности (минимальным принят 5-тый, максимальным 1-ый ранг). Чем меньше это отношение, тем сложнее задание. Уровень сложности задания определяется заранее установленными рамками (табл.). Сравнение полученной степени решаемости с тем рангом сложности, который был присвоен заданию в билете, позволяет скорректировать ранг, или оставить его без изменения.

В 2004 году для определения ранга сложности задания использованы не только данные, полученные за этот год, но и часть данных, полученных в 2002 и 2003 годах. Всего в выборке представлено Ранг сложности задания Пределы уровня решаемости 16673 случая появления заданий из всех разделов. Число случаев успешного решения составило 9895, т.е. средняя решаемость составила 0,593. В выборке для корректировки ранга сложности представлено около 350 заданий. Остальные задания встречались в недостаточном для проведения статистической обработке количестве. Нижний порог появления задания при корректировке ранга сложности принят равным 10. Из 350 заданий ранг сложности изменен в 186 случаях.

Универсальность компьютерной базы испытательного материала по физике определяется:

• возможностью широкого варьирования количества вариантов;

• возможностью тестирования уровня знаний контингента различной степени подготовленности за счет варьирования набора заданий с различными рангами сложности;

определенным разделам курса физики - при необходимости можно сформировать тесты, из одного или нескольких представления результатов тестирования;

• возможностью расширения базы заданий;

• возможностью реализации всех операций, предусмотренных компьютерах, сканерах, принтерах.

База заданий кафедры физики была апробирована при тестировании учащихся средних учебных заведений, проведении олимпиад по физике, тестировании студентов на предмет проверки начальных и остаточных знаний.

Уфимский государственный нефтяной технический университет

ЭКСПЕРТНЫЕ СИСТЕМЫ И ИХ ПРИМЕНЕНИЕ

В ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

Современный этап развития человеческой цивилизации характеризуется переходом к информационному обществу, в котором информационные технологии во всех сферах деятельности играют более важную роль по сравнению с индустриальными, аграрными и др.

Особенно актуальны вопросы информационных технологий в экономике, когда все управленческие решения принимаются после сбора, анализа и синтеза информации в рассматриваемых явлениях, процессах. Как отмечал академик А.П. Ершов, информатизация – всеобщий неизбежный период развития цивилизации, период освоения информационной картины мира осознания единства законов функционирования информации в природе и обществе, практического их применения, создания индустрии производства и обработки информации.

Применение информационных технологий в практической деятельности тесно связано с понятиями «интеллект», «искусственный интеллект».

Интеллект – это свойство отдельного субъекта. В философии под интеллектом понимают познание, понимание, рассудочную способность к абстрактно-аналитическому расчленению, способность к образованию понятий. В психологии под интеллектом понимают характеристику умственного развития индивидуума, определяющую его способность целенаправленно действовать, рационально мыслить и эффективно взаимодействовать с окружающим миром. В биологии под интеллектом понимают способность адекватно реагировать (принимать решения) в ответ на изменение окружающей среды. Психика – это свойство высокоорганизованной материи – мозга, являющееся особой формой отражения действительности и включает такие понятия как ощущение, восприятие, память, чувства, волю, мышление и др. Искусственный интеллект – это модель рациональной, мыслительной составляющей психики, где не моделируются эмоции, ощущения, воля, память чувств и т.п. Существует много определений данного понятия. В определенной степени обобщающим является определение: искусственный интеллект – научная дисциплина, задачей которой является разработка математических описаний функций человеческого (словесного) интеллекта с целью аппаратурной, программной и технической реализации этих описаний средствами вычислительной техники [3, 4].

Сегодня вместо термина «искусственный интеллект» предлагается использовать термин – «новая информационная технология решения инженерных задач».

Понятия «система» и «системность» играют важную роль в современной науке и практике. Система – это целостная совокупность взаимосвязанных элементов, имеющая определенную структуру и взаимодействующая с окружающей средой в интересах достижения цели [1, 2]. Теория систем служит методологической базой теории управления. Принцип системности в экономике гласит, что эффект действия людей, организованных в группу, больше, чем сумма одиночных результатов. Различные направления исследования системности позволили сделать вывод о том, что это свойство природы и свойство деятельности человека. Системность как всеобщее свойство материи содержит:

* Системность практической деятельности (целенаправленность, алгоритмичность);

* Системность познавательной деятельности (анализ, синтез, системный подход);

* Системность среды, окружающей человека (естественная системность природы, системность человеческого общества, системность взаимодействия человека с природой).

В настоящее время среди систем искусственного интеллекта (ИИ) наибольшее распространение получили экспертные системы (ЭС) различных типов. Чтобы система стала интеллектуальной, ее нужно обеспечить множеством высококачественных знаний о некоторой предметной области. Этот факт послужил основой новой концепции развития систем ИИ – создания специализированных программных систем, каждая из которых является как бы экспертом в некоторой узкой предметной области. Такие программные системы в дальнейшем стали называть экспертными системами. Под знанием в системах ИИ понимается информация о предметной области, представленная определенным образом и используемая в процессе логического вывода.

Интерес к ЭС сегодня обусловлен тремя основными обстоятельствами [4]:

* ЭС ориентированы на решение широкого круга задач в ранее не формализуемых объектах, которые считались малодоступными для использования ЭВМ;

* ЭС предназначены для решения задач в диалоговом режиме со программирования;

* Специалист, использующий ЭС для решения своих задач, может достигать, а иногда и превосходить по результатам возможности экспертов в данной области знаний, что позволяет резко повысить квалификацию рядовых специалистов за счет аккумуляции знаний в ЭС, в том числе знаний экспертов высшей квалификации.

Свое название ЭС получили по двум причинам: информацию (знания) для них поставляют эксперты; ЭС выдает решения, аналогичные тем, которые формируют эксперты. В основе поведения экспертов лежит совокупность практически применимых знаний, которая называется компетентностью. Поэтому логично под термином «эксперт» понимать человека, к которому нужно обратиться, когда мы желаем проявить компетентность, делающую возможным такое поведение, как у него. Таким образом, источниками знаний экспертов в обоих определениях – обучение и практика (опыт). Тогда под ЭС следует понимать программную систему, выполняющую действия, аналогичные тем, которые выполняет эксперт в некоторой предметной области, делая определенные заключения в ходе выдачи советов и консультаций.

Основной компонентой ЭС является система, основанная на знаниях (СОЗ), которая представляет собой программную систему, состоящую из трех элементов: базы знаний, механизма логического вывода и рабочей памяти (базы данных). Одним из представителей СОЗ является класс интеллектуальных пакетов прикладных программ (ППП), который дает возможность пользователю решать прикладные задачи без программирования. Разработка ЭС – сложный, дорогостоящий и длительный процесс и возможна при совместном выполнении следующих условий: задача не требует общедоступных знаний;

решение задачи требует только интеллектуальных действий;

существуют компетентные эксперты; эксперты способны описать свои методы решения задачи; эксперты единодушны в своих решениях;

задача понятна и «не слишком» трудна.

Любая инженерная, управленческая задача представляет собой процесс принятия решений, что требует от лица, принимающего решение (ЛПР), системного, творческого подхода. Учитывая сказанное, можно перечислить некоторые области применения ЭС: обучение в различных предметных областях; консультации и оказание помощи пользователю по решению задач в различных предметных областях;

техническая диагностика и разработка рекомендаций по содержанию, ремонту, реконструкции строительных конструкций, транспортных сооружений; интерпретация данных и планирование эксперимента в ходе научных исследований в различных областях знаний; управление проектированием, технологическими процессами, производством продукции; анализ данных, планирование, оценка степени риска в различных предметных областях и др.

Богданов А.А. Тектология. Всеобщая организационная наука.

Иванова Т.Ю., Приходько В.И. Теория организации. – М.:

Уткин В.Б. Основы автоматизации профессиональной деятельности. – М.: Издательство РДЛ, Искусственный интеллект. Кн.1.Системы общения и экспертные системы /под ред. Э.В. Попова. – М.: Радиосвязь, Санкт-Петербургский Государственный Университет Информационных Технологий Механики и Оптики

ОСОБЕННОСТИ РАЗРАБОТКИ ОБУЧАЮЩЕГО

ПРОГРАММНОГО КОМПЛЕКСА ПО ЭКОЛОГИИ ДЛЯ

СИСТЕМЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ ВУЗА

Рассмотрены вопросы, касающиеся разработки обучающего программного комплекса по экологии, предназначенного для использования его в системе дистанционного обучения (ДО) вуза. Реализация данного комплекса позволяет организовать обучение студентов в дистанционном режиме, в ходе которого ими исследуется модель хищник-жертва.

Известно, что внедрение информационных технологий в процесс обучения позволяет существенного повысить его эффективность. При этом использование информационных технологий возможно при организации обучения студентов различным дисциплинам, в том числе и экологическим /1/. Внедрение информационных технологий тесно связано с развитием системы дистанционного обучения /2/, характерной особенностью которого является непосредственноге уменьшение доли аудиторных занятий с участием преподавателя. Однако, это возможно, если система ДО располагает современной учебно-методической базой, под которой в нашем случае понимается наличие и использование электронных обучающих комплексов. С этой целью была предпринята разработка программного комплекса, позволяющего в рамках системы ДО обеспечить студентам возможность выполнения виртуальной лабораторной работы по исследованию модели «хищник-жертва».

Для реализации поставленной цели были решены следующие задачи: во-первых, обоснована структура программного комплекса, вовторых, разработаны соответствующие программы для его реализации.

На рисунке показана структура разработанного программного комплекса, при разработке которого исходили из аппаратной структуры системы ДО, в состав которой входят как клиентская, так и серверная части.

Рисунок. Структура разработанного программного комплекса.

Как показано на рисунке, клиентскую часть представляет Java Applet. Java Applet — это программы на языке программирования Java /3/, которые позволяют реализовать графическую часть результатов, получаемых при исследовании модели «хищник-жертва». Серверная часть представлена комплексом программ: Java Servlet, Java Application, системой управления базой данных(JDBC). Java Servlet — это программы на языке Java которые предназначены для работы на webсерверах или серверах приложений Java.

Таким образом, был разработан обучающий программный комплекс, использующий технологию «клиент-сервер». Преимущества этого комплекса состоят в том, что он обеспечивает возможность дистанционного обучения при непосредственном контроле за действиями обучаемых и результатами их работы в условиях удаленного доступа.

1. Одум Ю. Основы экологии. – М.: Мир, 1975. – 740 с.

2. Дистанционное обучение: Учебное пособие/Под редакцией Полат Е.С.- М.: Издательский центр “Владос”, 1998.-192 с.

3. Будилов В.А. Интернет - программирование на Java.-СПб.:

БХВ-Петербург, 2003.- 704 с.:ил.

Марийский государственный технический университет

ПРИМЕНЕНИЕ ГИС-ТЕХНОЛОГИЙ В УЧЕБНОМ

ПРОЦЕССЕ, НА ПРИМЕРЕ ОСВОЕНИЯ И РАБОТЫ С ГИС

СИСТЕМОЙ ARC VIEW ФИРМЫ ESRI (США)

На факультете ФП и ВР МарГТУ уже более двух лет идет работа по освоению и работе с ГИС системой ArcView фирмы ESRI (США), ведущим программным обеспечением для настольных ГИС и создания современных карт.

ArcView предоставляет возможность географически, то есть в наиболее наглядной и удобной для восприятия форме отображать, исследовать, запрашивать и анализировать данные. За этот срок ряд студентов научились по-новому работать со специализированными данными. Для них открылись скрытые ранее пространственные взаимосвязи, они стали прозорливее, научились быстрее решать различные задачи и получать новые результаты, которые помогли им делать обоснованные заключения и выводы, принимать верные решения.

Люди использовали карты в течение сотен лет для отображения и анализа географической информации. ArcView предоставляет готовый набор средств, который может быть сразу использован при создании сотен различных карт.

Мы используем ArcView, чтобы создавать свои собственные географические учебные данные. Преимущество данного программного обеспечения заключается в том, что с его помощью легко и просто решаются задачи выявления и анализа тенденций и закономерностей. В уже готовую карту легко добавлять табличные данные, хранящиеся в базах данных, чтобы отображать их на экране, делать запросы, производить расчеты и представлять ваши данные географически.

Стандартные средства ArcView обеспечивают визуализацию и операции редактирования на собственном языке программирования.

ArcView имеет свой собственный интегрированный объектноориентированный язык программирования и настройки среды пользователя, называемый Avenue. Avenue может быть использован для автоматизации собственных задач и создания пользовательского интерфейса, или создания приложений в ArcView.

Вся прелесть в использовании ArcView - это возможность подключать специализированные модули, которые являются дополнительными программами, и функционально дополняют его возможности.

Что же мы можем делать с ArcView? Пока ограниченное количество действий, которое на нас возлагает невозможность широкого выхода на потребителей ГИС из-за объективных причин с российским законодательством об авторских и смежных правах. Однако в учебных целях, не извлекая коммерческой выгоды, дипломниками был создан собственный проект с использованием элемент существующей электронной карты участка РМЭ.

Каждая тема прорисовывается вручную при помощи инструментов программы. На риске показаны основные элементы проекта по темам.

Основной целью создания собственного электронного проекта является дальнейшее его использование в качестве электронной атрибутивной базы данных, в которой отражалась бы информация о гидротехнических сооружениях (в том числе о их безопасности), населении, ресурсах лесов, вод, с\х угодий и так далее.

А. М. Агафонов, Ю.В. Глущенко, Н. М. Дубинин, Б. Г. Лукьянов, С. Л.

Уфимский государственный авиационный технический университет

ИНФОРМАЦИОННАЯ СИСТЕМА ИНДИВИДУАЛЬНОЙ

ПОДДЕРЖКИ ВЫБОРА ПАРАМЕТРОВ

ТРЕНИРОВОЧНОГО ПРОЦЕССА ОБУЧАЕМЫМ

За последние годы во многих странах возникла проблема, связанная с состоянием здоровья молодежи ввиду ухудшения экологии, малой динамики движений, увеличения потребления алкоголя, табачных изделий и наркотиков. Известно [1], что эффективным средством формирования здорового образа жизни и профилактики различных заболеваний молодежи является индивидуальная оптимальная физическая нагрузка школьников и студентов в процессе обучения. Эта нагрузка основывается на занятиях, к которым обучаемый проявляет интерес. Для эффективного проведения занятия требуется организация и управление тренировочным процессом (ТП), как показано на рис. 1. Суть управления выражается в последовательном изменении состояний обучаемого за счет тренировочной нагрузки для достижения заданных (прогнозируемых) показателей.

Существующие способы управления тренировочными нагрузками рассчитаны на массовые занятия, не достаточно формализованы, основываются на опыте тренера и не позволяют своевременно корректировать нагрузки для каждого обучаемого. При одновременной подготовке группы обучаемых тренер не успевает производить расчеты в полном объеме, и качество управления становится недостаточным по точности и быстродействию. Это приводит к тому, что появляются ошибки управления, низкая подготовленность, перетренированность.

Для уменьшения ошибок и повышения качества подготовки обучаемых возникает необходимость в создании единой информационной системы индивидуальной поддержки (ИСИП) ТП, формализации и разработке алгоритмов прогнозирования, планирования и контроля ТП. Анализ ТП показывает, что эта система должна базироваться на следующих моделях управления индивидуальными тренировочными нагрузками: 1) выбор цели занятий и их интенсивности; 2) формирование индивидуальной базы данных (ИБД);

3) прогнозирование изменения основных показателей на период тренировок; 4) планирование тренировочной нагрузки; 5) расчет экономических показателей; 6) анализ психофизического состояния тренирующегося; 7) корректировка физических нагрузок в процессе тренировок. Функциональная увязка этих моделей в методологии IDEF показана на рис. 2.

Информационная модель выбора цели занятий должна строится с учетом социальных тенденций общества, включающих возможность занятий в специализированных секциях (теннис, тяжелая атлетика, фехтование и т.п.) и индивидуальных занятий дома (легкий бег, упражнения с гантелями, физзарядка и т.п.). Причем цели могут включать спортивные достижения (разряд, место в группе) и индивидуальные требования (снижение кровяного давления, пульса, увеличения выносливости и т.п.). Эти требования, несомненно, должны быть учтены при решении задачи прогнозирования изменений состояний на период тренировок, которая в свою очередь является основой для решения задачи планирования тренировочных нагрузок.

Разработка модели БД, должна основываться на четкой систематизации всей исходной, промежуточной и выходной информации. Она включает ИБД и центральное ядро. Ядро БД необходимо для набора статистики, обмена информацией, анализа, мониторинга и обмена с тренером. ИБД характеризуют уровень физической подготовки обучаемых, их развитие и способности.

Основными параметрами будущего ТП является количество, интенсивность и периодичность нагрузок обучаемого. Собрать необходимый объем информации можно только при наличии БД, включающей данные о прошедшем периоде занятий и тренировках других обучаемых, которые преследуют одинаковые цели занятий. При этом система БД должна разрабатываться с учетом возможностей распределенной обработки данных. В связи с этим одним из основных условий высокой эффективности ИСИП ТП является хорошо организованная централизованная БД, обеспечивающая решение индивидуальных комплексных задач в ИБД и реализацию интеллектуального интерфейса с тренером по управлению ТП. Такое условие позволяет сформировать наиболее рационально всю исходную информацию в упорядоченные массивы, обеспечивающие эффективный поиск, сбор, хранение, переработку данных ИБД.

При включении j-го обучаемого в ИСИП ТП осуществляется планирование тренировочных нагрузок, которое определяет пути достижения определенного психофизического состояния. Задача планирования ТП заключаются в построении тренировок, точном определении интенсивности и объема нагрузки, частоты ее повторения в каждом конкретном случае. Для эффективного решения этих сложных задач требуются математические модели, позволяющие получить адекватное соответствие между психофизическим состоянием человека и воздействующими на него нагрузками. Для планирования ТП необходимо знать закономерности системы «человек - физическая нагрузка – цель». Эти закономерности носят случайный характер, сложны и трудно формализуемы в виде математических закономерностей.

В настоящее время ИСИП ТП используется для подготовки обучаемых в локальной вычислительной системе УГАТУ [5] и дорабатывается для использования в сети Internet.

Романов В.М., Лукьянов Б.Г., Мокеев Г.И. К вопросу индивидуализации процесса физического воспитания // Управление в экономических и социальных системах. Межвуз.

научн. сб. Уфа: УГАТУ, 1996. С. 98–100.

Дубинин Н.М., Игумнов И.В., Лукьянов Б.Г., Васильев А.Г.

Автоматизированное прогнозирование прироста результатов в соревновательных упражнениях спортсменов силовых видов спорта // Физическая культура и спорт на рубеже веков. Матер.

междунар. науч.-практ. конф. Уфа, 1999. С. 239–242.

Неустроев С.Л., Шабазов Д.Д. Проектирование интеллектуальной системы планирования тренировочного процесса // 10-я Всероссийская межвузовская научно-техническая конференция «Микроэлектроника и информатика-2003», – М., 2003 – с. Дубинин Н.М., Лукьянов Б.Г., Васильев А.Г., Ковалев С.Л.

Автоматизированная технология управления подготовкой спортсменов к соревнованиям // Физическая культура и спорт на рубеже веков: Материалы междунар. науч.-практ. конф. Уфа, 1999. С. 242–246.

Свид. об офиц. рег. прогр. для ЭВМ “Информационная система сбора, хранения и обработки данных психического, физического и биохимического состояния организма спортсменов силовых видов спорта” Б.Г. Лукьянов, Г.И. Мокеев, И.В. Игумнов, З.А. Бакирова, Н.М. Дубинин // Роспатент, 15.11.2001 г.

Марийский государственный технический университет

АНАЛИЗ АВТОМАТИЗИРОВАННОЙ

ОБУЧАЮЩЕЙ СИСТЕМЫ “ЭКСПЕРТ”

В настоящее время на наших заводах наблюдается большая текучка кадров. В результате в скором времени может возникнуть ситуация, что молодых специалистов будет просто некому учить в заводских условиях. Поэтому возникает необходимость в какой-либо мере автоматизировать этот процесс обучения. В результате, была создана компьютерная программа, получившая название “Эксперт”. Эту программу можно отнести к семейству автоматизированных обучающих систем (АОС). Преимущества АОС перед другими видами обучающих систем в первую очередь определяются тем, что фактически АОС – это инструментальный комплекс для создания компьютерных средств учебного назначения.

Эта программа может работать в четырех режимах: режиме предварительного обучения, режиме пользователя, режиме администратора и режиме тестирования.

База данных программы состоит из следующих частей:

1. tbArea - Описание Областей объектов.

Область описана следующими данными:

– наименование области – набор эталонных ответов, характеризующий уникальность каждой области.

2. tbAreaV - Вопросы для определения области объекта.

Тестовые вопросы для определения области:

3. tbAreaO - Ответы на вопросы для определения области объекта Возможные ответы на тестовые вопросы, определяющие заданную область:

4. tbObj - Описание Объектов Каждый объект характеризуется определенным набором свойств:

– код области, к которой принадлежит объект.

5. tbVopros - вопросы для определения объекта.

– код объекта, к которому относится вопрос – номер вопроса для определения объекта – правильный ответ на вопрос (Варианты ответов: Да/Нет/Не знаю) 6. tbObjOtv - ответы на вопросы для определения объекта – набор ответов определяющих заданный объект В режиме предварительного обучения показан прием упрощения прочтения текстовой информации на основе построения денотатной структуры текста. Под денотатом понимается то, что стоит за языковым выражением и соответствует элементам ситуации, моделирующей в мышлении тот или иной фрагмент действительности. В узлах этого графа располагаются денотаты, а ребра представляют собой слова, соединяющие денотаты по смыслу между собой (совокупность этих слов называется рубрикатором имен ситуаций). Граф имеет древовидную структуру. Сверху вниз располагаются денотаты в порядке убывания их встречаемости в тексте. Такая модель позволяет хорошо представить себе смысловую структуру текста. Для больших по объему текстов предлагается построение не одного графа денотатной структуры, а нескольких, каждый из которых соответствует определенному уровню содержания. Первый уровень составляет основное содержание, куда входят денотаты, соответствующие главным подтемам (построение плана). Затем каждая подтема может быть представлена своим графом, отображающим структуру субподтем и микротем. При этом раскрываться могут не все подтемы, а наиболее существенные. Количество уровней отображения структуры содержания зависит от глубины развернутости текста, а также от конкретных задач, которые стоят перед анализом текста. Такой полный граф надо строить при анализе реферата.

Экспериментальные данные показывают, что если научить студентов владеть этой методикой, то это может существенно повысить степень усвоения учебного материала. Поэтому было решено попытаться внедрить эту методику в новую создаваемую обучающую систему.

В режиме пользователя появляется список из нескольких вопросов. Для каждого из них предлагается выбрать один из трех вариантов ответа. Затем в зависимости от комбинации ответов выдается определенный список гиперссылок на 3 области объектов.

Выбор одной из трех областей определяется на основании анализа соответствия ответов пользователя эталонным ответам описывающих определенную область.

Что такое эталонные ответы? Каждая область отличается от другой какой-либо уникальной чертой/свойством. Чтобы охарактеризовать (отличить область одну от другой) область нужно ответить на несколько тестовых вопросов. Набор ответов на эти тестовые вопросы различен для каждой из областей. Вот под этим набором ответов и будем понимать эталонные ответы.

Определение области носит вероятностный характер, т.е. чем больше ответов пользователя оказалось правильным (совпало с эталонными ответами), тем больше вероятность правильного выбора данной области.

Далее, при выборе одной из областей объектов, пользователь переходит в отфильтрованный список объектов, которые принадлежат заданной области.

Здесь пользователь может посмотреть рисунок объекта, его название, и ответить на ряд уточняющих вопросов. Если на эти вопросы пользователь ответил правильно, то он увидит свойства объекта и его описание.

редактировать тестовые вопросы для определения области и варианты ответа к каждому из них.

Кроме того, есть возможность редактировать объекты, название и его свойства. Можно определять вопросы, задаваемые пользователю для определения объекта, а также правильные ответы на эти вопросы.

Основной интерес представляет собой метод выбора области основанный на анализе соответствия ответов пользователя эталонным ответам описывающих определенную область.

Пользователь отвечает на тестовые вопросы. На основании его ответов строится массив значений, характеризующих одну из возможных областей.

Для определения выбранной области, требуется определить, какой области соответствует набор ответов пользователя. Для этого набор ответов пользователя сравнивается с набор эталонных ответов, характеризующий уникальность каждой области.

Если пользователь правильно ответил на все вопросы, то наборы ответов пользователя и эталонный будет совпадать на 100%, если были ошибки, то ответы будут совпадать, например, только на 50в зависимости от количества правильных ответов.

Если ответы пользователя не соответствуют ни одной из областей на 100%, то можно говорить, что найдена определенная область, соответствующая ответам пользователя на 50-70%.

При выборе объекта используется похожий алгоритм. Если пользователь не выбрал или не правильно выбрал область, то ему предлагается ответить на дополнительные вопросы, чтобы выбрать объект. На основании его ответов строится набор ответов (массив значений), характеризующих один из возможных объектов.

Все ответы пользователя анализируются, сравниваются с эталонными ответами, описывающими каждый объект, подсчитывается количество правильных ответов. Если полностью удовлетворяющего объекта на найдено, то на основании количества правильных ответов, делается вывод о той или иной степени вероятности, что найден наиболее соответствующий объект.

Режим тестирования идет в порядке очередности последним. Он позволяет проверить, насколько пользователь хорошо умеет распознавать дефекты, решать несущие рабочие проблемы. Для быстрого создания нового теста была создана программа «Генератор тестов». Она позволяет автоматически формировать компьютерный тест в формате HTML с любым количеством вопросов. Вопросы могут быть двух типов: открытые и закрытые. Под открытым вопросом понимается вопрос, ответ на который должен дать сам студент. Такой ответ должен быть очень точным. Под закрытым вопросом понимается вопрос, ответ на который может быть дан в виде выбора одного или нескольких вариантов из определенного количества предлагаемых вариантов ответа. В любой из вопросов можно дополнительно вставить мультимедиа файлы с любым из расширений: gif, jpg, bmp, png, sfw, tif, jpeg, dib, jpe, avi, wav, mp3. После того, как сформированы все вопросы, выбирается режим компиляции, после выполнения которого формируется файл в формате HTML, который уже является тестирующей программой.

Марийский государственный технический университет

РАЗРАБОТКА СТРУТКУРИРОВАННЫХ

ИНФОРМАЦИОННЫХ МАССИВОВ УПРАВЛЕНИЯ

КАЧЕСТВОМ ИЗДЕЛИЙ ЭЛЕКТРОННОЙ

В целях автоматизации обучения молодых специалистов по распознаванию дефектов металлокерамических корпусов и коммутационных плат была создана компьютерная программа, получившая название “Эксперт”. Первым этапом разработки поля знаний обучающей системы являлась разработка подробного перечня сведений о формах брака и об основных его причинах, т.е. составление каталога дефектов и причин. Этот этап работ был выполнен на основе анализа сопроводительных документации описывающей состояние партий изделий различного конструктивно технологического типа на различных стадиях обработки.

В процессе выполнения работы по результатам экспертного анализа основных видов дефектности была выделена группа дефектов характерная для конструктивных признаков изделий и заготовок.

Большинство дефектов имеет набор визуализируемых признаков доступных выявлению на рабочем месте и пригодных для организации системы автономного контроля.

В общем, перечне дефектов возникающих в ходе технологической обработки может быть выделена отдельная группа присущая только системе технологических признаков производства и нерегистрируемых напрямую на готовых изделиях в первую очередь в эту группу следует отнести дефекты так или иначе связанные с состоянием технологической оснастки, в частности, трафаретов. Как и в отношении конструктивных дефектов в отношении дефектов оснастки была выполнена съемка в режиме оптимальном для дальнейшего использования на стадии контроля.

Причинно-следственный анализ форм и причин дефектов изделий и заготовок является одним из основных этапов обеспечения качества в условиях производства. Учитывая сложность исследуемого технологического процесса, наличие большого количества контролируемых и регулируемых параметров (свыше 500), постоянное воздействие на материал и наличие большого количества факторов взаимного влияния дефектов процесс производства МКК, МКП следует отнести к категории больших систем неподдающихся декомпозиции.

Все это существенно усложняет аналитическое, в том числе статистическое, моделирование и регулирование технологического процесса. В этом случае приемлемым единственным методом анализа причин дефектов и обеспечения качества продукции является экспертный анализ, основанный на разработке причинно-следственных моделей) как одной из форм математического моделирования объектов производства. В основе причинно- следственного анализа лежит, как правило, вербальное (словесное) описание исследуемых объектов. Их экспертное описание может быть дополнено количественной характеристикой поуровневой или сквозной значимости по отношению к причинам более высокого уровня или по отношению к данной исследуемой форме брака, соответственно.

Особенностью использования полученных причинноследственных диаграмм является их использование в системах поиска причин дефектов и системах прогнозирования дефектов, возникающих в результате тех или иных технологических отклонений, отклонений свойств материала либо изменений в конструкции изделий. Первая группа задач (поиск причин дефектов) относится к категории некорректных обратных задач обработки эксперимента. Условием их успешного решения является наличие дополнительной корректирующей информации либо методов ее получения. Источником такой информации являются, например, статистические сведения по результатам межоперационного технологического контроля. В частности с их помощью было выявлено расслоение дефектов по операциям технологического цикла. В рамках лексического состава используемых на производстве определений дефектности, конкретизируемых, например, диагностическим каталогом. Нетрудно показать, что анализ причинно-следственных цепей любой диаграммы выводит специалиста на причину, в форме процесса, признака материала, признака конструкции или условий технологической обработки. Реже цепь выводится на операцию либо на конкретный параметр. Таким образом, дополнение массива причинно-следственных диаграмм массивом взаимосвязей «дефект-операция» позволяет отразить множество причинных факторов массива диаграмм на множество операций технологической системы. Несмотря на то, что однозначности в таком отражении нет, полученное отражение основывается на статистических данных, тем самым существенно повышая адекватность конечного вывода, отбрасывая значительную часть операций (их более 150) на которых «в принципе» могут проявить себя причинные факторы.

В отличие от массива причинно-следственных диаграмм, который можно считать массивом «фактор-дефект», массив «операция-фактор» объединяет те процессы, которые определяют не отклонения, а сущность отдельных операций и могут быть получены текстологической экспертизой научно-технической литературы.

Процессы же входящие в систему причинно-следственных диаграмм это преимущественно побочные, мешающие процессы, но за пределами оптимального режима их протекания.

Включение в алгоритм ситуаций с неизвестной причиной обеспечивает возможность наращивания диаграмм и их корректировки.

Объединением (свертку) всей совокупности указанных массивов можно существенно расширить эффективность поиска причинных факторов дефектности, поскольку каждый из них формируется на базе достаточно, автономных источников информации.

Оценка эффективности причинно-следственных диаграмм выполнялась методом коэффициентов Кенделла, Спирмена и конкордации при следующих условиях:

1. Поскольку технологический процесс производства МКК, МКП в целом достаточно стабилен, можно предположить, что вся совокупность причинных факторов дефектности изделий является фиксированной. Отсутствие конкретного фактора на диаграмме означает, что его пороговый уровень, ниже которого причинный фактор не способен вызвать дефект, достаточно высок, и фактор не принимается экспертами во внимание по причине низкого уровня количественной характеристики. Тем самым открывается возможность считать влияние отдельных факторов независимым. Такое допущение достаточно типично для случаев использования экспертных методов анализа.

2. Поскольку, метод причинно-следственного анализа является разновидностью методов диагностики, с одной стороны, и методов представления знаний - с другой, а стадия его разработки в данной работе отвечает стадии формирования поля знаний обучающей системы - наиболее приемлемой формой представления диаграммы является представление ее в виде функционально-диагностической модели. С точки зрения теории диагностики, такая модель должна состоять из отдельных одновыходных элементов и представлять собой иерархическую схему представления знаний. Одновыходная структура элементов (узлов) обеспечивает возможность декомпозиции всей системы связей диаграммы в систему сравнительно простых структурных образований («деревьев» - в терминах теории графов ).

Иерархическая структура модели позволяет еще более, ее упростить, разделив факторы дефектности на отдельные группы-уровни.

Поуровневое деление позволяет кодировать причинные факторы индексом, соответствующим номеру уровня. Целесообразно уровень с большим номером рассматривать как более низкий. При этом одиночные выходы узлов графа должны быть направлены в сторону уровня с меньшим номером (в сторону причин более высокого уровня).

3. Статичность списка причинных факторов позволяет осуществлять экспертное ранжирование причинных факторов одного уровня путем разбиения их на группы. Состав группы определяется фактором более высокого уровня, на который «выходят» факторы ранжируемого уровня. Сумма рангов группы нормируется к 1. По существу, ранг фактора является экспертной оценкой вероятности активации данным фактором фактора более высокого уровня, с которым данный фактор связан.

Ранжирование факторов дефектности обеспечивает стратегию поиска причин дефектов. При прочих равных условиях первоочередному исследованию подлежат причины, сквозной ранг которых имеет максимальное значение. При этом необходимо учесть, что переход на все более низкие уровни хотя и снижает сквозной итоговый ранг причинного фактора, но одновременно и приближает исследуемый фактор к конкретной операции, к конкретному регулируемому параметру.

Осуществление ранжирования при соблюдении перечисленных условий соответствует выполнению требования наследования, характерного для иерархических экспертных систем.

В процессе выполнения работы было выделено множество дефектов, в отношении которых представлены необходимый комплект многоуровневых диаграмм, количество уровней на каждой из диаграмм определялось, во-первых, возможностью экспертного, физикохимического либо статистического анализа причин дефектов, вовторых, необходимой глубиной анализа, поскольку каждый из уровней причинно-следственной диаграммы прямо или косвенно связан с уровнями структурной схемы процесса производства.

Марийский государственный технический университет

ТЕХНОЛОГИЯ СОЗДАНИЯ БАНКА АТТЕСТАЦИОННЫХ

ПЕДАГОГИЧЕСКИХ ИЗМЕРИТЕЛЬНЫХ МАТЕРИАЛОВ

ПО МАТЕМАТИКЕ

Проведение аттестационных педагогических измерений требует разработки специализированных измерительных материалов, которые должны оценивать освоение дисциплины на уровне требований, заданных в государственных образовательных стандартах (ГОС). В связи с этим разработка банка аттестационных педагогических измерительных материалов (АПИМ) для всей совокупности основных образовательных программ (ООП) является весьма актуальной задачей.

Для достижения поставленной цели разработана методика анализа содержания ГОС для всех специальностей и направлений подготовки. В работе [1] предложен алгоритм анализа содержания ГОС по математике, позволяющий выделить общую область – инвариант содержания дисциплины для совокупности ООП, и на его основе разработать структуры АПИМ. В дисциплине «Математика» выделено 18 подразделов, называемых в дальнейшем дидактическими единицами (ДЕ) содержания ГОС. Комбинация ДЕ соответствует определенной группе ООП и является инвариантом содержания для данной группы ООП. Упорядоченная система инвариантов содержания ГОС позволила оптимизировать набор содержательных структур АПИМ и уменьшить их количество в десятки раз. По объему часов, отведенных на изучение дисциплины «Математика», ООП разделены на три группы: группа A, группа B и группа D.. Существенное отличие количества часов на изучение одного и того содержания позволяет освоить его с различной глубиной, для контроля которой требуется разработка заданий различной сложности. Предложено использовать три уровня сложности заданий, которые соответствуют указанным выше группам ООП.

Количественные характеристики банка АПИМ по математике отражены в следующей таблице.

Группа ООП ДЕ в обобщенной заданий в обобщенной Банк аттестационных педагогических измерительных материалов дисциплины «Математика» включает 2010 заданий, представленных с помощью текстовой или графической информации. Все задания имеют одну и ту же форму – с выбором ответа из четырех предложенных вариантов (закрытые задания), при этом предусмотрена возможность добавления новых типов заданий. Процесс создания АПИМ с помощью имеющегося банка заданий представляет собой достаточно легкую процедуру, так как осуществляется на основе структуры обобщенного АПИМ. Более того, наличие специального программного обеспечения позволяет сделать процедуру создания АПИМ весьма технологичной.

Для формирования структуры обобщенного АПИМ необходимо учесть все ДЕ содержания ГОС совокупности ООП, при этом необходимо обозначить некие рамки, внутри которых создается тематическое наполнение ДЕ. Для каждой ДЕ указаны от 3 до 7 тем, охватывающих основное содержание контролируемой ДЕ. Структура обобщенного АПИМ (АПИМ для совокупности ООП) представляет собой таблицу, включающую контролируемое содержание дисциплины, идентификатор задания в банке АПИМ, а также наименование темы задания.

инвариантным для совокупности ООП. При этом различие в структурах для конкретных ООП состоит как в изменении количества дидактических единиц, так и в раскрытии ДЕ несколькими вариантами наборов тематических заданий. Банк тематических заданий состоит из заданий с описывающими их характеристиками. Параметры заданий банка АПИМ разделены на три категории [2]: технологические, экспертные и статистические. К технологическим отнесены параметры, описывающие задания с технической точки зрения, например: тип заданий, форма представления информации, количество заданий и т.д. К экспертным отнесены параметры, значения которых описываются с содержательной точки зрения. Примером таких параметров могут служить перечень контролируемых учебных элементов, уровень сложности, а также время выполнения задания. Статистические параметры заданий банка АПИМ (коэффициент решаемости задания, коэффициент селективности задания, его дифференцирующая способность) определяются только по результатам апробации, которая позволяет выявлять некорректно составленные задания, а также задания с характеристиками, не удовлетворяющими набору заданных требований.

Однозначно выразить качество АПИМ с помощью классических параметров не всегда возможно. Отметим, что важным моментом при разработке заданий банка АПИМ по математике явился вопрос подбора ответов и вариантов неверных ответов (дистракторов) в заданиях закрытого типа. Если ответы в заданиях отображают основные стороны или закономерности явления, то основными принципами подбора дистракторов являются их правдоподобность и привлекательность для участников. При разработке банка заданий АПИМ по математике реализована технология конструирования дестракторов с учетом характерных ошибок, допускаемых студентами, которая позволяет проводить содержательный анализ структуры знаний группы тестируемых. Содержание, заложенное в дистракторах для заданий банка АПИМ по математике, достаточно информативно, что позволяет контролировать освоение студентами как конкретной темы, так и набора тем, соответствующих отдельной дидактической единице.

Предусмотрена возможность дополнительной проверки дистракторов на привлекательность для тестируемых, так как для заданий закрытой формы не во всех случаях наличие дистрактора, выбранного малой долей участников тестирования, показывает, что дистрактор не работает и требует уточнения или замены.

Оценка качества заданий банка АПИМ проводилась независимыми экспертами, не участвовавшими в его разработке.

Результаты внешней экспертизы таковы, что в подавляющем числе заданий качественные характеристики оказались приемлемыми, поскольку они отвечали следующим требованиям:

- задания с позиции учебной дисциплины «Математика»

корректно сформулированы и исключают двусмысленность, - задания одинаковой тематической направленности включают одинаковые элементы содержания, - графическое оформление заданий не требует корректировки, - содержание заданий отвечает требованию валидности.

Концепция создания банков заданий для обеспечения проверки соответствия содержания и уровня подготовки студентов требованиям ГОС представляет большой интерес как со стороны разработчиков аттестационных педагогических измерительных материалов, так и со стороны пользователей. Чем больше будет создано банков заданий дисциплинарных АПИМ, тем более эффективной и качественной станет процедура проведения аттестационных педагогических измерений.

1. Масленников А.С., Киселева В.П. Методика формирования инварианта содержания дисциплины «Математика» для разработки аттестационных педагогических измерительных материалов.

Восьмые Вавиловские чтения. Мировоззрение современного общества в фокусе научного знания и практики: Сб. материалов / Под общей редакцией проф. В.П. Шалаева. В 2 ч. – Йошкар-Ола:

МарГТУ, 2004. – Ч. 2. – 96 с.

2. Наводнов В.Г. Математические модели САПР ПИМ. Препринт № 4/97. Йошкар-Ола, Издательство МарГТУ, 1997. – 72 с.

3. Савельев Б.А., Масленников А.С. Оценка соответствия уровня обученности студентов в целях аттестации образовательного учреждения профессионального образования.: Ученое пособие. М.Логос, 2003.- 136 с.

Р.С. Байрамгулова, Т.Г. Жданова, Н.Ю. Фаткуллин Уфимский государственный нефтяной технический университет

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

В РЕШЕНИИ ЗАДАЧ ПРОГНОЗИРОВАНИЯ ОЦЕНКИ

ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ СТУДЕНТОВ

Высшие государственные учебные заведения России имеют в большинстве своем опыт преподавания, исчисляемый десятками, а иногда и сотнями лет. Переход экономики страны на рыночные отношения непосредственно сказался и на деятельности вузов. Жесткие условия выживания в условиях рынка явились причиной формирования платных услуг в сфере образования – обучения студентов на основе контракта, индивидуальных договоров с промышленными предприятиями и т.д. Коммерческие банки выдают целевые кредиты для оплаты образовательных услуг вузов. Будущая интеграции высшего образования России в европейское образовательное пространство открывает новые перспективы как в самом процессе обучения, так и в последующей реализации молодого специалиста, успешности его профессиональной деятельности. Таким образом, абитуриент является, с точки зрения экономических отношений, объектом инвестирования финансовых средств, своеобразным инвестиционным проектом. И как каждый инвестиционный проект, он должен получить оценку эффективности производимых инвестиций, т.е. возможности качественного обучения выбранной специальности в существующей системе многоуровневого высшего образования.

По объективным причинам, данная оценка носит характер прогноза и в отличие от инвестиций в реальный экономический проект, она не может быть дана на основе таких показателей, как чистый дисконтированный доход, внутренняя норма доходности и т.д. В тоже время подобная оценка, как правило, сопряжена с неопределенностью последствий, риском достижения поставленной цели и т.д. Однако необходимость получения подобной оценки, естественно с определенной долей вероятности, несомненна.

Первоначально, до начала процесса обучения в вузе, с каждым абитуриентом связывается определенный объем информации: возраст, пол, уровень образования, состояние здоровья, регион проживания и т.п. Конкурсный же отбор абитуриентов по результатам вступительных экзаменов производится на основе мнений экспертов – профессорскопреподавательского состава, выбирающих “лучших из лучших”. С введением единого государственного экзамена вуз будет производить набор студентов заочно, фактически лишь по анкетным данным.

В дальнейшем успешность обучения студента фиксируется как результаты сдачи сессий, государственных экзаменов, защиты дипломного проекта и т.п. Многолетние результаты подобных испытаний разного уровня, в виде архива, реально представляют собой базу данных, огромный объем информации, который на практике остается невостребованным. В то же время определенная часть студентов по тем или иным объективным и субъективным причинам не завершает полного курса обучения, а, следовательно, инвестиции оказываются безвозвратно полностью или частично утерянными.

В связи с вышесказанным, представляется рациональным производить предварительный анализ перспективности как абитуриента, так и студента на основе нейросетевых технологий, которые в состоянии эффективно решать задачи классификации, кластеризации, поиска зависимостей, прогнозирования. Нейросетевой подход особенно эффективен в задачах экспертной оценки, т.к. сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию. При этом нейросеть позволяет обрабатывать большое количество факторов (до нескольких тысяч), независимо от их наглядности или очевидности. В данном аспекте, информационная база по обучающимся и уже закончившими свое обучение студентами различных видов обучения (бюджетное, контрактное), может служить исходным материалом по обучению нейросети. В общем случае качество обучения сети прямо зависит от количества обучающих примеров, а также от того, насколько полно данные примеры описывают поставленную задачу.

В первом приближении нейросеть по исходным данным абитуриента (студента) должна дать, с высокой долей вероятности, оценку успешности его обучения той или иной специальности, на основе опыта предыдущих многотысячных испытаний. Прогноз может формироваться как краткосрочный (на семестр), так и долгосрочный (на курсы). Таким образом, исходное множество претендентов на обучение или студентов будет классифицировано по перспективности их будущего или текущего обучения. В дальнейшем при помощи наглядных графических схем, диаграмм возможно выделение зон риска и зон наибольшего вероятного успеха в обучении.

С другой стороны, аналогичный процесс осуществляется на практике профессорско-преподавательским составом, с той, однако разницей, что нейросеть свободна от субъективного фактора симпатии или неприязни и владеет в отличие от человека в тысячи раз большим “опытом”. Отметим, что подобно человеческому мозгу нейросеть может находиться в состоянии самообучения и с большой долей вероятности правильно реагировать на новые, не встречаемые ранее примеры.

Поэтому процесс модернизации высшего образования не приведет к разрушению подобной системы контроля и прогноза, а потребует лишь адаптации системы, путем ввода в нее новых обучающих примеров.

Особенности реформирования российской экономики и сопровождающие их кризисные явления порождают отклики, своеобразные отклонения в сформировавшемся процессе обучения.

Большинство из них имеют скрытый механизм влияния, проявляющийся лишь через годы, а иногда десятилетия. Так, ухудшение демографической ситуации в России в начале 90-х годов прошлого века, приведет через несколько лет к снижению, по различным оценкам до 40% конкурса в вузы. И в то же время, повышение рождаемости в начале XXI века вновь приведет к повышенному спросу на высшее образование. Подобные сторонние возмущения также в принципе необходимо и возможно закладывать в архитектуру нейросети.

Функционирующие в настоящее время нейросети носят не универсальный, а специализированный, профильный характер, т.е.

наследуют черты профессионального высокоэффективного инструментария. Выбор типа сети, ее архитектуры будет зависеть от конкретизации поставленной задачи, однако в первом приближении представляется рациональным использовать многослойный перцептрон [1]. При построении сети выбирается первоначальная конфигурация и проводится серия экспериментов, при этом контролируется уровень ошибки. Последующая корректировка количества нейронов в отдельном слое или введение дополнительного слоя, как правило, помогает получить оптимальную структуру нейронной сети.

Практически построение нейросети в настоящее время связывается, как правило, с ее программной реализацией в виде алгоритмов на стандартных персональных компьютерах, т.к.

существующие специальные платы и процессоры, реализующие на аппаратном уровне принципы нейросетевой технологии, достаточно дороги. Однако существующие объектно-ориентированные языки программирования и специализированные пакеты (Mathlab, STATISTICA и др.) позволяют даже начинающим пользователям создавать прикладные нейросети, поэтому создание подобной нейроструктуры, на наш взгляд, реально реализуемо и будет служить полезным инструментарием процесса многоуровневого обучения в вузах.

В заключение отметим, что сведения о дальнейшем трудоустройстве, карьерном росте, т.е. успешности реализации молодого специалиста подготовленного вузом, делают вполне реальным построение долгосрочных прогнозов, достоверность которых, конечно, напрямую зависит как от объема исходной информации (обучающих примеров), так и от степени изменений, связанных с модернизацией высшего образования России и его интеграцией в европейское образовательное пространство.

1. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp.683-696.

К.Э. Писаренко, В.Ж. Квитко, Р.Г. Шарафиев, В.А. Буренин Уфимский государственный нефтяной технический университет

УПОРЯДОЧЕНИЕ ДОКУМЕНТАЦИИ ПРИ ВНЕДРЕНИИ

СИСТЕМ МЕНЕДЖМЕНТА КАЧЕСТВА НА ОСНОВЕ

СТАНДАРТОВ ИСО 9000 В ВУЗАХ Создание эффективной системы управления качеством образования, основанной на принципах заложенных в ИСО невозможно без решения следующих основных задач: разработка и внедрение документации системы менеджмента качества (СМК), разработка и внедрение системы мониторинга качества образования, разработка и внедрение системы документооборота.

Рис. 1 Задачи в разработке и внедрении СМК университета В стандартах ИСО 9000, что отраженно в перечисленных задачах, особое внимание уделяется документации системы качества.

Документация СМК пронизывает все ее подсистемы, являясь важнейшим инструментом в управлении процессами организации.

Поскольку документация является частью системы она в свою очередь также должна быть систематизирована.

В вузах существуют системы документов по отдельным направлениям деятельности. Так, например, в учебном процессе это учебно-методический комплекс (УМК). У отделов и служб, занимающихся материально-техническим снабжением своя структура документов и т.д. При этом обычно отсутствует общая система документов. При создании системы качества охватывающей деятельность всего вуза в целом это становиться серьезной проблемой.

Одна, из которых заключается в том, что сотрудники, занимающиеся разными видами деятельности, разных структурных подразделений, чаще всего не обладают достаточным, для скоординированной и оперативной работы, минимумом знаний о документах других направлений работ. Также очевидно, что без наличия хорошо структурированной системы документов, не имеет смысла автоматизация процесса управления документацией.

систематизирующего элемента, является одной из первоочередных задач при разработке системы качества. При этом она должна удовлетворять следующим основным требованиям:

- легкость и доступность в понимании для сотрудников;

- соответствовать требованиям стандартов ИСО серии 9000;

- в структуре должны быть учтены документы, как уже существующие, так и те которые еще предстоит разработать или ввести в употребление;

- охватывать документы, используемые во всех процессах организации;

- облегчать поиск необходимых документов.

Сложность выполнения перечисленных требований заключается в следующих факторах:

- большой объем документов, используемых вузом в своей работе;

- слабая структурированность используемых документов;

- недостаточный уровень подготовки сотрудников в вопросах метрологии и стандартизации.

Сотрудниками отдела контроля качества обучения УГНТУ ([email protected]) был проведен первичный анализ документов используемых на уровне всего университета и отдельных структурных подразделений. В результате полученных результатов и с учетом требований стандартов ИСО 9000 предлагается модель структуры документации в которой совмещается классификация документов по их принадлежности к виду документов (распорядительные, нормативные и т.д) на верхнем уровне и по направлениям и видам деятельности на нижнем. Фрагменты модели структуры документации приведены на рисунках 2-4.

Рис. 4 Документы по стратегическому и оперативному планированию Следует также отметить, что применительно к УГНТУ, рассматриваемая модель представляет собой совмещение моделей “как есть” и “как должно быть”. Это объясняется тем, что при ее разработке были учтены документы, используемые в УГНТУ на сегодняшний день и те которые предстоит ввести, учитывая требования стандартов. На следующем этапе предполагается провести более детальный анализ используемой документации и внести необходимые изменения в ее структуру.

Марийский государственный технический университет

РАСПОЗНАВАНИЕ ФОРМЫ ФЮЗЕЛЯЖЕЙ

ЛЕТАТЕЛЬНЫХ АППАРАТОВ С ПОМОЩЬЮ

НЕЙРОННЫХ СЕТЕЙ

В наши дни нейронные сети получили широкое распространение в различных областях науки и техники. Наиболее характерные задачи, решаемые ими это классификация и распознавание образов. Существует большое множество их моделей, которые отличаются по структуре и алгоритмам обучения[1].

В данной статье приведены результаты работы нейронной сети по распознаванию фюзеляжей летательных аппаратов. Всего было взято десять объектов, которые можно разделить на три группы. Первая группа объектов характеризуется большой скоростью – 6 объектов (FF-18, Ягуар, Рафаль, F-117, F-22), вторая группа выделяется грузоподъемностью – 2 объекта (В-52, B-2) и третья группа характеризуется высокими маневренными качествами - 2 объекта (A-6E, Мк. 200)[2]. Для представления данных в нейронной сети входной и выходной вектор имеют размерность 13 x 9 (рис.1).

Для проведения экспериментов была взята программа-эмулятор нейронной сети Excel Neural Package[3]. Чтобы провести обучения нейронной сети понадобилось составить обучающую выборку в объеме 2000 образцов, то есть по 200 на один объект. Обучающая выборка формировалась на основе внесения шумов в целевой вектор. Были использованы следующие виды шумов:

1. Шум по контуру объекта от 1 до 3 искажений ~ 50%;

2. Шум в контуре объекта от 1 до 2 искажений ~ 20%;

3. Шум в окрестностях объекта от 1 до 4 искажений ~ 30%.

Для тестирования результатов работы нейронной сети, также была сформирована тестовая выборка размером 100 образцов по 10 на каждый объект. Данная выборка формировалась по следующим критериям:

1. Формирование инверсного объекта;

2. Сильное искажение контура объекта;

3. Внесение больших шумов в объект.

В качестве модели нейронной сети используется многослойный персептрон. Экспериментальным путем была подобрана оптимальная нейронная сеть, со следующими параметрами:

Алгоритм обучения Rprop (эластичная обратная связь), который минимизирует приращение производной для весового коэффициента.

По результатам многочисленных опытов была проведена оптимизация алгоритма обучения. Результатом её стали следующие параметры обучения:

Критерием остановки в алгоритме обучения было число циклов обучения - 200, что составило 20 минут на процессоре Intel PIII и ОЗУ 256Мб. Анализируя полученные результаты, оказалось, что ошибка обучения составила 7,7%. По полученным данным была составлена гистограмма распределения вероятности относительной ошибки (рис.2).

Для того, чтобы построить гистограмму необходимо найти разность между целевым и результирующим вектором, после чего полученный результат переводим в процент. Строим гистограмму по следующим значениям:

Рис.2 Гистограмма распределения вероятности относительной ошибки для По полученным данным можно сделать вывод, что нейронная сеть обучилась с приемлемыми параметрами, так как большая часть ошибки находиться в интервале менее 0,01%.

Проверяя работоспособность сети на тестовой выборке, получаем следующие значения:

Строим гистограмму распределения вероятности относительной ошибки, аналогично первому случаю (рис. 3):

Рис.3 Гистограмма распределения вероятности относительной Анализируя данные гистограммы, мы делаем вывод, что, сеть работает и распознает исследуемые объекты высокой достоверностью, поскольку 70% ошибок принадлежит интервалу от 1% до 5%.

Как показал эксперимент, нейронная сеть такого типа, может использоваться для распознавания летательных аппаратов и с большой вероятностью распознавать близкие по форме изображения.

В целом мы приходим к выводу, что нам удалось обучить нейронную сеть и получить приемлемые результаты по распознаванию известных моделей летательных аппаратов.

1. Калан Роберт Основные концепции нейронных сетей. - Москва:

Вильямс, 2003. – 288 с.

2. Шунков В.Н. Современная военная авиатехника. – Минск:

Харвест, 1997. – 464 с.

3. http://www.neurok.ru/ Марийский Государственный Технический Университет

РАЗРАБОТКА АНАЛИТИЧЕСКОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ

ПРОЦЕССОВ В СОЦИАЛЬНОЙ СФЕРЕ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ

На современном этапе развития нашей страны, в условиях реформирования всей системы образования, особую актуальность приобретают проблема совершенствования структуры и содержания общего среднего образования и поиск на этой основе путей повышения качества знаний учащихся в общеобразовательных школах.

Одними из показателей данной структуры являются качество образования и обучаемость. Качество образования как система в целом, а обучаемость - как среда для реализации конкретного учащегося с его психологическими и интеллектуальными возможностями.

Основными проблемами эффективного прогнозирования являются:

• неоднородность существующих показателей качественной оценки;

• отсутствие четкой структуры, по которой можно дать всеобъемлющую оценку;

управленческого решения.

Исследуя условия, в которых должна работать модель прогнозирования и неопределенность показателей, в разрезе существующих подходов для решения поставленной задачи выбран аппарат нейронных сетей как наиболее гибкий и настраиваемый под конкретную задачу.

Если предположить, что ситуации в социальной сфере повторяются, следовательно, имеет смысл разработать систему, способную «запоминать» прошлые ситуации и соответствующие им последствия (т.е. их продолжения) с целью последующего сопоставления со складывающимися ситуациями. Каким образом такую систему можно реализовать? Простейшим решением такой задачи будет база данных, в которую можно записывать закодированные определенным образом ситуации. Для составления прогноза необходимо было просматривать все записи, которых для достижения прогноза необходимой точности должно быть огромное количество.

Данная идея по причинам сложности доступа к данным, сложности критериев сопоставления информации и проч. представляется не конструктивной.