Щербатский В.Б. Кормышев В.М. Нейроробот для...

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.