Delist.ru

Автоматизация процесса формирования индивидуальных учебных плано в систем е переподготовки персонала промышленных предприятий (25.05.2009)

Автор: Ягудаев Геннадий Григорьевич

, где Ka – локальные коэффициенты сформированности профессиональных компетенций, b – число локальных коэффициентов.

Психолого-индивидуальные компетенции представляют собой способности, развиваемые в профессиональной деятельности под влиянием мотивации, которая может, как усиливать, так и ослаблять потенциальные задатки специалиста. В этой связи необходимо осуществлять постоянный мониторинг мотивационной направленности. Для определения критериев сформированности проводится тестирование выборки специалистов, успешных в своей деятельности. Для визуализации локальных показателей используется их представление в виде профилограммы, где приняты обозначения: A – коэффициент точности внимания; E – коэффициент продуктивности влияния; Kрасп – коэффициент распределения внимания; Vm – коэффициент объема памяти; Km – коэффициент творческого мышления; Kл – коэффициент логического мышления; Kв Применение такой модели специалиста на основе процессного подхода и методологии «развертывания функции качества» позволяет снизить уровень неопределенности идентификации и мониторинга рассматриваемых компетенций и повысить качество переподготовки специалистов.

u(0)=u0, где положительную величину u можно трактовать как начальную подготовку обучаемого, то, интегрируя уравнение, будем иметь:

. Откуда видно, что параметр A – это темп научения при нулевом уровне подготовленности.

Для определения индивидуальных параметров кривой учения – u0, A и B используется общепринятое условие минимума среднеквадратического отклонения теоретических данных от экспериментальных данных. В результате получается выражение:

где {Eik} – совокупность экспериментально найденных объемов научения i-го учащегося, соответствующих периодам 1,2,…,N. Для поиска минимума функции Q(u0, A, B) используются алгоритмы поисковой оптимизации.

Предложенная дифференциальная модель использовалась для проверки гипотезы пригодности метода прогнозирования конечных результатов обучения. Если на основании экспериментальных кривых обучения для совокупности учащихся идентифицированы соответствующие каждому из них пары (A1, B1), (A2, B2),…, (AR, BR), где R – количество учащихся в группе и начальной подготовленности каждого соответственно была u10, u20,…, uR0, то трудность в оценке индивидуальных достижений каждого учащегося вызвана их различной начальной подготовленностью. При одинаковой начальной обученности u1(0)=u2(0)=…=uR(0)=u0 знание параметров дает возможность предсказать объем научения у каждого обучающегося в заданный период N. Для обучаемого i объем учебной информации рассчитывается на основании соотношения:

где i – номер испытуемого; u0 – условная начальная точка начальной подготовленности; N – число занятий.

В результате оценки индивидуальных свойств формируется функция забывания учебной информации. Для построения модели этой функции в работе выделен ряд характеристических свойств.

Пусть G(t)=M((t|S0) – функция научения (забывания), как тренд случайного нестационарного процесса, где S0 - начальный уровень знаний. Предполагается, что функция G(t) непрерывна на всем интервале моделирования. Процесс научения является безинерционным, если (t>0 G(t)=0. Это условие выполняется лишь в случае идеальной памяти. Процесс является инерционным, если:

Условие существования предела выполняется в силу существования стационарного распределения исследуемого процесса. Для процессов научения достаточно типичны монотонные тренды. Свойства монотонности дают возможность исследовать качественные характеристики процессов. Для идентификации функций в работе используется отношение стохастического порядка между случайными величинами (1 и (2 , которое определяется соотношением:

” при начальных условиях S0, если:

Это свойство также представляет свойство внутренней монотонности процесса. Процесс монотонный - если t1>t2 ( G(t1) > G(t2). Процесс является монотонно инерционным - если существует интервал (0, t*), на котором G(t) сохраняет значение G(0), а на интервале (t*, () определен монотонный процесс. Случайный процесс представляет монотонный процесс с запаздыванием, если:

В общем случае, переходный процесс восприятия материала является монотонным процессом с запаздыванием.

- полином n-ой степени. Для процесса научения и забывания предлагается использовать двухпараметрическую функцию:

! представлен график этого семейства функций для различных порядков полиномов. Так для процесса забывания информации значение m может быть достаточно велико, в то время как для научения оно достаточно мало.

Пусть точка tf – точка изменения состояния процесса, т.е. переход от наличия модуля на данном интервале, где использовался терм W, к отсутствию такового, либо, наоборот, от отсутствия к наличию. Тогда рекуррентная схема построения функции забывания имеет вид:

Семейство функций забывания и научения

В то время, как функция научения на заданном интервале до следующего изменения состояния будет определяться:

где cu, mu – показатели функции научения, а cz и mz – показатели функции забывания.

Межмодульная функция забывания

В результате, построенная модель позволяет строить кусочно-функциональные зависимости для каждого терма с учетом отсутствия либо наличия его в некоторых учебных модулях на текущий момент времени.

Таким образом, на основании построенных моделей каждому терму учебного плана, введенному в некотором модуле на каждый момент времени ставится в соответствие числовое значение определяющее степень его понимания. На основании полученных моделей функции забывания, в работе предлагается использование следующего критерия эффективности учебного плана (i Fi(T)(max, где Fi(T) – значение функции забывания i-го терма на момент завершения изучения всех модулей T. Это классическая многокритериальная задача. Основой формирования интегрального критерия является свертка всех функций по группам классифицирующих признаков принадлежности модуля некоторому направлению. Каждому направлению присваиваются весовые коэффициенты, которые переносятся на все термы направления. В общем случае в программный комплекс включен ряд известных методов решения многокритериальных задач (метод идеальной точки, метод последовательных уступок и др.). После определения критерия эффективности, появляется возможность сравнения планов, а, следовательно, и возможность построения процедуры оптимизации.

Показатели, в данном случае термы, располагаются в порядке их важности f1, f2,…, fn, (предположим, что необходимо максимизировать все функции научения на момент окончания процесса переподготовки).

, f*1(X*)= f*1. Затем, исходя из практических соображений и точности экспертных оценок (они в данном случае невелики), назначается некоторая уступка (f1, на которую согласны эксперты (методисты) для максимизации критерия f*2, т.е. для решения задачи: f2( max,

f1>f*1-(f1. На втором шаге решается задача:

Аналогично назначается уступка (f1, и ставится новая задача оптимизации. Затем процедура итерационно повторяется для каждого терма в порядке их значимости:

Как правило, в окрестности максимума одного критерия функционал относительно другого – квадратичный, поэтому увеличение второго критерия на порядок больше уступки.

 Методика формирования индивидуальных учебных планов

В третьей главе диссертации разработана методика формирования индивидуальных учебных планов, используемых в системе подготовки персонала промышленных предприятий. Выполнена формальная декомпозиция инструментальных средств создания связной структуры учебных модулей, определены управляющие и информационные связи, что позволяет сделать систему открытой для включения новых методов, моделей и данных, тем самым сформировать функционал программных приложений. Совместное использование введенных операций при наличии формализованного описания приложений и данных позволяет генерировать программные методики создания учебного контента.

Основной из задач индивидуализации является корректировка учебного плана в результате прохождения процедур текущего тестового контроля.

Пусть в заданном интервале времени (=[0,T], определяющем период переподготовки необходимо изучить N модулей. Пусть модуль представляет тройку ((j, rj, fj), где (j - длительность изучения, rj(0 – учебная нагрузка, fj= fj(t), t([0,T] – ожидаемый эффект повышения активности понимания термов, как функция времени t. Предполагается, что изучение модуля идет непрерывно, однако возможно и параллель с другими.

В интервале ( выделяем моменты времени 0(T1( T2( ... ( Tm= T, определяющие соответственно интервалы:

Пусть tj - время завершения j-го модуля и соответственно (tj -(j) - время его начала. Тогда варьируя временами начала при условии непрерывности каждого модуля будем иметь S={tj(S)} - непосредственно структуру учебного плана. Введем функционал:

где gij(tj(S))=rj|(i([ tj(S) - (j, tj(S)]| - объем нагрузки на интервале (i в процессе изучения j-го модуля.

Допустимые общие объемы нагрузок на каждом интервале (i определяются заданными уровнями g0i , i=1..m. Задача заключается в поиске S={tj(S)}, доставляющая максимальный эффект при ограничениях на величину нагрузки на каждом интервале, что формально записывается:

при ограничениях:

где g0j(xj)= f0(tj)

Сформулированная задача допускает естественное обобщение на случай нескольких информационных учебных составляющих. Кроме того, обычные в теории расписаний ограничения на сроки начала (tj-(j)(T и сроки завершения tj(T легко уточняются посредством введения дополнительных функций fj(tj).

Последовательное приближение плана строится, начиная с некоторого начального, в качестве которого берется план, оптимальный по времени изучения сразу всех учебных материалов. При этом метод определения максимального элемента для монотонно-рекурсивных функционалов сводится к следующему:

загрузка...