Щербатский В.Б. Кормышев В.М. Нейроробот для диагностики знаний специалистов

1. Щербатский В.Б. Кормышев В.М. Нейроробот для диагностики знаний специалистов

2. Содержание • 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

3. необходимость привлечения роботов: • 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.

4. Схема экспертной диагностики педагогической ситуации и определение погрешности этого анализа Рис5. Экспертные решения и оценки НЕЙРОРОБОТ для определения характеристик специалиста ФК СУ Специа лист ВУЗ, как объект управления ФК - функция компетентности, СУ - степень уверенности

5. Как оценивать знания специалиста? ФУНКЦИЯ КОМПЕТЕНТНОСТИ

6. ФУНКЦИЯ КОМПЕТЕНТНОСТИ Теоретическая подготовка специалиста; Практический опыт; Особенности памяти; Логические способности; “Инженерное чутье”, интуиция и т.д.

7. ФУНКЦИЯ КОМПЕТЕНТНОСТИ Описывает нечеткий, качественный характер экспертных знаний и заключений. Позволяет получить объективную погрешность экспертных оценок

8. Для определения функции компетентности специалиста РАЗРАБОТАНА математическая модель

9. Методика определения функции компетентности специалиста с помощью нейроробота

10. Матеметическая модель содержит уравнения: • 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

11. Математическая модельспециалиста 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

12. Расчетные формулы • Для паралельного соединения • последовательного соединения • общую • Коэффициент корреляции 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. r- N- t

13. 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.

14. Нейроны при обучении сети учитывают • Практический опытспециалиста • Профессиональную подготовленность (теоретические знания) Прогноз педагогической ситуации Применение теоретических знаний

15. Прогноз педагогической ситуации На выходе получаем коэффициент корреляции специалиста, который преобразуется в математическое ожидание Гауссовской функции распределения вероятности

16. Математическая модель специалиста реализована с помощью Нейросетевой технологии, имитирующей работу человеческого мозга

17. 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.

18. 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

19. Графическое представление передаточных функций выходного слоя (эталонов) нейросети для <идеального> специалиста

20. 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

21. Получение итоговых результатов

22. Передаточные функции нейронов выходного слоя 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:

23. Относительная погрешность ,% I,Бит Число градаций N Уровень компетентности обучаемого Л П компетентности обучаемого Уровень результатов обучения > 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 Уровни компетентности специалиста, определяемые нейророботом

24. Нейроробот позволяет решать следующие задачи: • 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.