раторных работ, зачет, экзамен), письменных работ (тесты, контрольные работы, рефераты, курсовые работы, отчеты по практике, отчеты по научноисследовательской работе), анкетирования, компьютерного тестирования, опросов преподавателей и т.д.
Личностные характеристики студентов могут быть определены с помощью различного рода психологических тестов.
Использование методов Data Mining в системе мониторинга знаний студентов позволит реструктуризировать и упростить контрольно-оценочный процесс и устранить субъективность оценки преподавателя [2].
В общем случае используемый в системе мониторинга знаний показатель оценки может измеряться в разных шкалах и принимать различные допустимые значения. В работе, в качестве такого показателя оценки знаний студентов, использовались два значения, показывающие достигнут ли студентом требуемый уровень качества знаний.
Задача мониторинга оценки качества знаний обучаемых по результатам текущего контроля является в чистом виде задачей классификации данных, которая заключаются в определении класса объекта, возможное множество которых заранее определено, по набору его характеристик. Формальное представление такой задачи можно описать следующим образом.
Существует определенное множество объектов: I = (i1,i2 ...ij,...in), где ij –
отдельный объект исследуемого множества, характеризуемый собственным набором параметров, описанных множеством: ij = (x1, x2 ...xt ,..., xm, y), где
X = (x1, x2 ...xm ) – набор независимых переменных, по значениям которых рассчитывается искомая переменная y (итоговая оценка), принадлежащая к конеч-
ному множеству значений.
В данной работе независимыми переменными являются: средний балл оценок текущего контроля, активность на занятии, определяемая количеством полученных оценок в ходе обучения и количество пропусков занятий. Зависимая переменная принимает два значения: зачтено либо не зачтено.
Каждая независимая переменная хt может принимать значения из определенного множества. Множество значений зависимой переменной y конеч-
ное: {зачтено, не зачтено}.
Использование только среднего балла, как единственного показателя оценки эффективности обучения может привести к принятию некорректных управленческих решений. Так, например, как показывает практика, студент с высоким средним баллом, рассчитанным из сравнительно малого числа полученных за данный период обучения оценок, из-за большого число пропусков, не усваивает в заданном объеме образовательную программу. Кроме того использование только среднего балла не позволяет выявить причины низкой успеваемости студентов.
Классификация в машинном обучении относится к разделу обучения с учителем. Поэтому для обучения исследуемых методов Data Mining создается
50
обучающая выборка. В такую выборку входят объекты с известными значениями как независимых, так и зависимых переменных. На основании такой обучающей выборки создается модель формирования значения зависимой переменной. В дальнейшем построенную таким образом модель применяют к исследуемым объектам с произвольными значениями независимых переменных.
В работе, с использованием аналитической платформы Deductor Studio, разработаны модели мониторинга знаний студентов по результатам текущего контроля с использованием следующих алгоритмов: самоорганизующихся карт Кохонена, дерева решений и нейронной сети. Исходные данные для формирования обучающей выборки были взяты из базы данных обучения студентов второго курса ТГТУ при освоении дисциплины «Основы интеллектуального анализа данных».
Анализ полученных результатов показал, что наиболее простым для восприятия решаемой задачи классификации, является алгоритм дерево решений, который в процессе построения модели, формирует правила классификации в терминах исследуемой предметной области. На визуализаторе «Правила» можно вывести список всех правил, согласно которым принимается решение о выставлении итоговой оценки в форме зачета.
В целях анализа эффективности исследуемых методов использовались таблицы сопряженности, по которым можно оценить качество сформированных моделей классификации посредством сравнения полученных результатов и реальных данных.
Анализ полученных результатов показывает, что наиболее эффективным методом решения рассматриваемой задачи является нейросеть, обеспечивающая безошибочную классификацию. Алгоритмы дерево решений и самоорганизующиеся карты Кохонена также показали хороший результат. Однако ошибка классификации по таблицам сопряженности для данных алгоритмов составила около 4%.
Самоорганизующиеся карты Кохонена и дерево решений позволяют увидеть ключевые особенности кластерной структуры рассматриваемой выборки. Данные алгоритмы целесообразно использовать на стадии первичного анализа данных, скорее, для общего понимания проблемы, чем для получения каких – либо точных результатов.
Визуализатор «Что - если» аналитической платформы Deductor Studio позволяет для всех разработанных моделей, получать значение выходной переменной y (итоговой оценки) по произвольным значениям входных переменных xt .
Использование полученных моделей позволяет проводить аналогичный мониторинг оценки знаний студентов по любым другим дисциплинам и на любом этапе обучения. Кроме того использование данных моделей устраняет субъективность оценки преподавателя. Полученные результаты применения алгоритмов Data Mining для оценки знаний студентов, позволяют выбрать наиболее приемлемый из исследуемых алгоритмов для решаемой задачи, что позволит судить о качестве учебного процесса и управлять его совершенствованием.
51
Литература
1.Меркушова, К.А. Интеллектуальная система обучения, адаптивная к уровню подготовки студентов / К.А. Меркушова, А.П. Рыжков // Сборник трудов ХХVI международной научно-технической конференции: «Современные технологии в задачах управления, автоматизации и обработки информации». 14-20 сентября 2017 г., Алушта. – М.: ИД «МЕДПРАКТИКА-М», 2017. С. 28-29.
2.Меркушова, К.А. Интеллектуальный анализ данных в задаче определения итоговой оценки по результатам текущего контроля / К.А. Меркушова, А.П. Рыжков // Сборник трудов ХХVII международной научно-технической конференции: «Современные технологии в задачах управления, автоматики и обработки информации». 14 -20 сентября 2018 г., Алушта. – Тамбов: Изд-во ФГБОУ ВО «ТГТУ», 2018. С. 116-117.
ФГБОУ ВО «Тамбовский государственный технический университет»
УДК 004.048
К. А. Меркушова, А. П. Рыжков, С. А. Титова
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ ПО РЕЗУЛЬТАТАМ ТЕКУЩЕГО КОНТРОЛЯ
Прогнозирование итоговых результатов обучения студентов по изучаемым дисциплинам, на основе имеющихся данных текущего контроля, является важной задачей в совершенствовании образовательного процесса. Своевременное прогнозирование успеваемости студентов позволит обеспечить эффективную организацию образовательного процесса.
Итоговые формы контроля являются завершающим этапом обучения студентов. Оценки, полученные на этом этапе, говорят о достигнутом студентом уровне усвоения материала изучаемой дисциплины и сформированных компетенциях. Поскольку этот этап обучения является заключительным, представляется целесообразным спрогнозировать такую оценку по имеющимся результатам текущего контроля. Это позволит определить слабые места процесса обучения с целью его совершенствования, что позволит повысить качество обучения и обеспечить индивидуальное внимание каждому обучаемому.
Результаты сдачи студентами итоговых форм контроля целиком определяются работой студентов в течение семестра, а именно активностью на занятиях, посещаемостью и оценками, полученными в ходе текущего контроля. В качестве таких оценок могут выступать результаты устных опросов (собеседование, защита лабораторных работ), письменных работ (тесты, контрольные
52
работы, рефераты, курсовые работы, отчеты по практике, отчеты по научноисследовательской работе), компьютерного тестирования.
Вкачестве методов прогнозирования успеваемости студентов можно использовать: методы, основанные на регрессионных моделях; методы кластерного анализа и методы, основанные на дискриминантных моделях.
Однако часто прогнозы, полученные с помощью формализованных методов, в ряде случаев показывают низкую точность из-за непредсказуемости поведения студентов. Поэтому целесообразно применение других методов анализа и построения моделей прогноза [1].
Использование нейронной сети позволит решить рассматриваемую задачу. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Поэтому для обучения нейронной сети создается обучающая выборка. В нее входят объекты, для которых известны значения, как входных данных, так и выходных. На основании такой обучающей выборки создается модель определения значения выходных данных, то есть итоговой оценки. После обучения такая сеть способна предсказать значение итоговой оценки на основе произвольных входных данных результатов текущего контроля [2].
Вданной работе в качестве входных данных для нейронной сети были взяты оценки в четырехуровневой шкале полученные студентами при тестировании, написании контрольных работ и устных опросов при защите лабораторных работ, а также активность студентов на занятии, определяемая количеством полученных оценок в ходе обучения и количество пропусков занятий. Выходные данные – итоговая оценка, которая также принимает четыре возможных значения: 2, 3, 4 и 5.
Исходные данные для обучающей выборки были взяты из базы данных обучения студентов третьего курса ТГТУ при освоении дисциплины «Технологии анализа данных».
Вработе, с использованием аналитической платформы Deductor Studio, разработана модель, осуществляющая прогнозирование успеваемости студентов по результатам оценок текущего контроля и активности работы студентов на занятиях. Разработанная прогнозная модель получена на основе использования нейронной сети в виде многослойного персептрона.
Для решения рассматриваемой задачи был выбран двухслойный персеп-
трон с семью и пятью нейронами соответственно в первом и вто ром скрытых слоях и активационной функции типа Сигмоида. Для обучения сети использовался алгоритм Resilient propagation, который использует так называемое «обучение по эпохам», когда коррекция весов происходит после предъявления сети всех примеров из обучающей выборки.
В целях анализа эффективности прогноза использовались таблицы сопряженности, по которым можно оценить качество сформированных моделей прогноза посредством сравнения, полученных нейронной сетью результатов и реальных данных для тестовых и обучающих выборок.
53
После обучения нейронной сети с помощью визуализатора «Что - если» аналитической платформы Deductor Studio, можно получить значение прогнозной итоговой оценки по произвольным значениям результатов текущего контроля для любого студента. А по полученному прогнозу определить наиболее проблемных студентов, для исправления складывающейся учебной ситуации. Полученные результаты прогноза, позволяют судить о качестве учебного процесса в целом и выдвигать гипотезы относительно способов управления его совершенствованием.
Литература
1.Педагогическое прогнозирование в компьютерных интеллектуальных системах [Текст]: учебное пособие / М. Г. Коляда, Т. И. Бугаева. – Москва: Ру-
сайнс, 2017. – 381 с.
2.Меркушова, К.А. Использование нейросетевых технологий для мониторинга оценки качества знаний студентов по результатам текущего контроля /К.А. Меркушова, А.П. Рыжков //Сборник трудов ХХХVIII Всероссийской на- учно-технической конференции: «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем». 27-28 июня 2019 г., Серпухов. – Изд-во ВА РВСН , 2019. С. 68-71.
ФГБОУ ВО «Тамбовский государственный технический университет»
УДК 004.6
Ю. В. Минаева
НАПРАВЛЕНИЯ ИНТЕЛЛЕКТУАЛИЗАЦИИ ERP-СИСТЕМ
Методы искусственного интеллекта уже успешно применяются для сбора и обработки больших объемов данных, в системах технической и медицинской диагностики, поведенческого анализа и др. Наиболее актуальными сферами применения искусственного интеллекта являются банковский сектор, страхование, торговля, телекоммуникационные услуги. Промышленные предприятия также постепенно начинают привлекать интеллектуальные технологии для цифровизации бизнес-процессов [1].
Возрастающая сложность современных многопродуктовых производств, вызванная необходимостью постоянной адаптации к изменяющимся условиям их функционирования, требует непрерывного совершенствования средств математического моделирования, используемых в различных компонентах автоматизированных систем управления предприятием. Основной тенденцией в
54