Существенной особенностью высшего образования является сложность количественного оценивания процессов обучения и управления. Однозначно понимаемого перечня показателей качества подготовки не существует, так как отсутствуют четкие представления о том, какие количественно измеримые факторы на него влияют, какими достоверно оценивающими показателями оно выражается, какова достоверность этих показателей и т.д. Нечеткость такого представления не позволяет устаревшим методам математического моделирования получать адекватные количественные описания исследуемых параметров, а поэтому заставляет искать решения классических задач образовательного процесса неклассическими методами [1].

Многие информационные системы, решающие задачи прикладного значения для социально-экономической сферы, становятся все более сложными по своей структуре, а традиционным методам поиска решений все труднее превзойти барьер, вызванный бурным комбинаторным ростом сложности исследуемых проблем. К концу 80-х годов, несмотря на разнообразие инструментариев с заметно улучшившимся качеством, сложилась парадоксальная ситуация [2]: написать интеллектуальную систему для решения усложняющихся практических задач в автоматизированном режиме становилось все труднее.

Большинство ученых сходятся в оценке главных причин этого парадокса:

1) актуальность решения не искусственно упрощенных, а "сложных практических" задач;

2) узкая дисциплинарная специализация научных школ, что приводит к одностороннему, ограниченному, несистемному рассмотрению сложных явлений;

3) компьютерные технологии по прежнему остаются, главным образом, средой реализации методов, а не инструментальным средством их синтеза.

Один из подходов к решению такого рода задач - это гибридизация, а именно, разработка и эксплуатация ансамблей сотрудничающих с целью взаимокомпенсации недостатков моделей, а также поиск методов решения за рамками ограничений отдельных инструментариев. Такой подход применяется разработчиками многомодельных, интегрированных и гибридных интеллектуальных систем с мягкими вычислениями [3].

Объектом рассмотрения настоящей работы являются слабо структурированные критерии и нормы оценок деятельности обучаемых, представимые временными рядами. Цель работы заключается в построении гибридной модели итоговой рейтинговой оценки, позволяющей повысить мотивацию студентов к освоению образовательных программ путем более высокой дифференциации оценки их учебной работы, а также повысить уровень организации образовательного процесса.

рейтинговая оценка мотивация студент

2. Нечёткая модель рейтинговой оценки

Рис.1. Иерархическая классификация факторов, влияющих на значение рейтинговой оценки

На выходе система должна выдавать итоговую рейтинговую оценку знаний, согласно ECTS шкале [5]. В общем виде она может соответствовать N-балльной шкале O ={“1”,”2”, …, “N”}.

Независимо от значения N-шкалы оценивания должны выполняться соотношения между оценками ECTS-шкалы, пятибалльной и рейтинговыми баллами.

Блок введения нечеткости (лингвистического представления) служит для представления физического признака (полученной в результате контроля знаний оценки за выполнение i-го критерия i [0,100]) в лингвистическом виде.

Таблица 1. Влияющие факторы

Определим лингвистическую переменную O = "Рейтинговая оценка", которая в зависимости от вида шкалы может иметь несколько терм-множеств: T1 (O) ={“A”, ”B”, ”C”, ”D”, ”E”, ”F”}, либо T2 (O) ={“1”, “2”, …, “N”}.

Определим набор нечетких предикатых правил, описывающих функционирование системы оценки знаний для N-балльной шкалы:

R ^(1): If ₁ is “1” and ₂ is “1” and … _N is “1” Then Q ¹=b₁₁₁+

b₁₂₂+… b_1NN

R ^(2): If ₁ is “1” and ₂ is “1” and … _N is “1” Then Q ²=b₂₁₁+ (2)

b₂₂₂+… b_2NN

_…

R ^(N): If ₁ is “1” and ₂ is “1” and … _N is “1” Then Q ^N=b_N11+

b_N22+… b_NNN

Итак, в работе реализована скалярная модель вычисления итоговой рейтинговой оценки, согласно которой

(3)

где _i - влияющие факторы нечеткой лингвистической переменной. Положив, при исследовании модели значения весов нечётких правил равные 1, получаем обычное суммирование трёх входных переменных, влияющих на выходное значение рейтинговой оценки.

3. Реализация модели

В качестве нейронного эмулятора объекта была выбрана гибридная технология адаптивной нейро-нечеткой системы заключений ANFIS, обладающая, по сравнению с другими методами высокой скоростью обучения, простотой алгоритма и оптимальной проработанностью программного обеспечения в системе математического моделирования MatLAB.

Для вывода значений промежуточных оценок y1 и y2 использовался редактор систем нечёткого вывода FIS типа Сугено. Полученные результирующие значения вместе с третьей входной переменной и являлись входными значениями гибридной сети.

Качество обучения нейро-нечёткой сети показано значением уровня ошибки обучения error= 5.5795е-006 (), который показывает, что обучение уже практически закончилось после 2-го цикла.

При небольшом количестве правил построенной адаптивной системы уже можно проводить анализ влияния входных критериев на значение итогового рейтинга [6]. Так, задавая вектор входных лингвистических переменных, значения которых были получены в FIS-редакторе, равный (26, 28, 16.5), на входе адаптивной системы, на выходе имеем оценку равную 81.2 баллам:

Проверка построенной модели гибридной сети показывает достаточно высокую степень её адекватности реальным исходным данным, что позволяет сделать вывод о возможности практического использования для вычисления итогового значения рейтинговой оценки знаний и деятельности обучаемых.

Нечеткие модели адаптивных систем нейро-нечеткого вывода являются конструктивным инструментом технического анализа знаний и могут быть использованы для решения широкого круга задач в области интеллектуального анализа данных.

Литература

1. Nurmatova E. V., Ivchenko V. D. The modeling of vibrodiagnostics process on the basis of neuro-fuzzy networks. // Optical Memory and Neural Networks, Allerton Press, 2005.

2. Zahng G., Patuwo B. E., Hu M. J. Forecasting with Artificial Networks: The State of the Art // International Journal of Forecasting, 1998. - Vol.14.

3. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. - М.: Горячая линия - Телеком, 2007.

4. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ, 2003.

5. Ершиков С., Лобова Т., Филиппов С., Шидловска Т. Опыт использования рейтинговой системы. Высшее образование в России, 4 (1997). - С.97-102.

6. Нурматова Е.В. Архитектура системы нечеткого вывода, пример реализации. - М.: "Вестник МГАПИ". - №1, 2005.

7. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учебное пособие. - М.: Финансы и статистика, 2004.

Размещено на Allbest.ru