Щербатский В.Б. Кормышев В.М. Нейроробот для...
DESCRIPTION
Щербатский В.Б. Кормышев В.М. Нейроробот для диагностики знаний специалистов. Содержание. Необходимость привлечения роботов для оценки знаний и умений Функция компетентности специалиста Математическая модель специалиста Реализация робота с помощью нейросетевой технологии - PowerPoint PPT PresentationTRANSCRIPT
Щербатский В.Б. Кормышев В.М. Нейроробот для диагностики знаний специалистов
• Необходимость привлечения роботов для оценки знаний и умений
• Функция компетентности специалиста• Математическая модель специалиста• Реализация робота с помощью нейросетевой технологии
• Программная реализация нейроробота• Сфера применения, примеры
Выработка оценок в условиях отсутствия объективного сбора данных в педагогических измерениях;
Принятие решений преподавателями типа отбор/прогноз;
Принятие решений типа категоризации (классификация, ранжирование и т.д.);
Построение гипотез совершенствования обучения;
Выработка проектов использования специалистов;
Оценка специалистов, для которых еще не разработаны объективные методы оценки;
И т.д.
Схема экспертной диагностики педагогической ситуации и определение погрешности этого анализа
Рис5.
Экспертные решения и оценки
Специа лист
НЕЙРОРОБОТ
для определения
характеристик специалиста
ФК СУ
ВУЗ, как объект управления
ФК - функция компетентности, СУ - степень уверенности
Как оценивать знания специалиста?
Теоретическая подготовка специалиста;
Практический опыт;
Особенности памяти;
Логические способности;
“Инженерное чутье”, интуиция и т.д.
Описывает нечеткий, качественный характерэкспертных знаний и
заключений. Позволяет получить объективную
погрешность экспертных оценок
Для определения функции компетентности специалиста
РАЗРАБОТАНА
• Для определения степени компетентности• Для расчета дисперсии (по тестам) и
корреляционной способности (по практическим задачам) специалиста
• Для расчета относительной погрешности его экспертных знаний и заключений
• Для расчета уровней качества решений в педагогических ситуациях
Математическая модель специалиста может быть
также успешно использована при оценке экспертных
знаний преподавателей, при занесении их в базу знаний экспертной системы ВУЗа и при обучении и адаптации
специалистов к новым педагогическим ситуациям
Для паралельного соединения
последовательного соединения
общую
Коэффициент корреляции
22sпрЭ ;*2 22
ЭТ СКСК
;)*( 22
ЭТ СКСКпрэТ СКCК
Здесь-Средние квадратические отклонения (с. к. о.) экспертных оценок при экспертном корреляционном анализе, теоретическом тесте параллельного и последовательного соединения типовых пропорциональных звеньев робота с коэффициентами передачи Скэ и СКт соответственно;Коэффициент корреляции для целевой функции ;Относительная погрешность;Число градаций педагогической ситуации, которые может различить специалист с помощью целевой функции;Энтропийный коэффициет, характеризующий закон распределения погрешности.
.*;2/1
;4/)1(;)1/(1 2
tN
rr
ТЭ СКCК ,
r-
N-
t
Разработанная нейросеть состоит из слоев нейронов, расположенных в следующем порядке:
Входной фильтрующий слой, воспринимающий внешние сигналы с анализируемого объекта или системы;
Первый промежуточный слой, характеризующий субъективные качества (характер) специалиста (например, оптимист или пессимист);
Второй промежуточный слой нейронов - дискретизаторов, учитывающих нечеткий характер экспертных знаний и заключений специалиста;
Выходной слой, формирующий уровень качества знаний, зависящий от степени компетентности специалиста.
•Практический опыт специалиста•Профессиональную подготовленность (теоретические знания)
На выходе получаем
коэффициент корреляции специалиста,
который преобразуется в математическое
ожидание Гауссовской функции
распределения вероятности
Математическая модель специалиста реализована с помощью
Нейросетевой технологии, имитирующей работу человеческого мозга
Суть нейросетевых Алгоритмов :
Нейросеть - это совокупность “нейронов”, каждый из которых имеет вход (числовой вектор) и выход (в большинстве случаев - одно число). Каждый нейрон имеет набор параметров, значения которых влияют на обработку входных данных с целью вычисления выходных.
Применение теоретических знаний в оценке ситуаций
На выходе получаем коэффициент
корреляции функции ЗАТРАТЫ-ОЦЕНКИ,
который преобразуется в математическое
ожидание Равномерной функции
распределения вероятности ошибок
обучаемого
Графическое представление передаточных функций выходного слоя (эталонов) нейросети для
<идеального> специалиста
Количество нейронов выходного слоя зависит от параметров
настройки сети и типа решаемой задачи специалистом.
Выходной слой нейронов определяет, с какой
вероятностью текущая ситуация соответствует «эталонному»
специалисту
Если Скэ распределен по гауссовскому закону, т.е.:
А СКт следует закону равновероятного распределения:
То общая плотность вероятности для СК = F(СКт : СКэ) может быть определена следующим образом:
,2
1)(
22 2/
ЭСКСКf
,
_,0
_,1
_,0
)(
cСКпри
cCKbприbc
bСКпри
CKf
Т
T
Т
T
СКb
ФСКс
Фbc
СКf1
)(
Уровни компетентности специалиста, определяемые нейророботом
Относительная погрешность ,%
I,Бит
Число
градаций
N
Уровень компетентности
обучаемого
Л П компетентности
обучаемого
Уровень результатовобучения
> 35%
0 1 >0,707 Недостаточно Требуется адаптация или обучение
35% 1 2 0,707-0,89 Достаточно Идентификация
25% 1,6 3 0,891-0,953 Удовлетворительно Управление, прогноз,
стабилизация
16% 2 4 0,953-0,974 Хорошее Оптимизация
12% 2,6 6 0,988-0,99 Очень хорошее Оптимизация с риском
< 8% 3 8 0,99-1,00 Отличное Оптимизация с риском
Определять уровень и класс точности знаний и умений специалиста;
Идентифицировать педагогические ситуации в Вузе, с учетом степени компетентности управляющего персонала;
Отбирать специалистов и преподавателей для решения задач, связанных с диагностикой учебного процесса и качества управления им в Вузе.