АЛГОРИТМ ОЦЕНКИ СЛОЖНОСТИ УЧЕБНОГО МАТЕРИАЛА В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ ОБУЧЕНИЯ АВИАЦИОННЫХ СПЕЦИАЛИСТОВ
Содержание:
- 1. Проблема анализа статистической информации в базах данных автоматизированных систем обучения
- 2. Оценка сложности учебных модулей АУК
- Литература
Уровень профессиональной подготовки сотрудников авиакомпании – это важный фактор обеспечения безопасности полетов. Перспективным направлением совершенствования технологии обучения персонала является внедрение автоматизированных систем обучения (АСО). В статье представлено решение задачи оценки сложности учебных материалов. Это необходимо для построения эффективной АСО. Показана возможность применения регрессионного анализа для этих целей.
Ключевые слова: авиационный персонал, автоматизированная система обучения, регрессивный анализ.
1. Проблема анализа статистической информации в базах данных автоматизированных систем обучения
Современное состояние и перспективы развития авиационной техники характеризуются непрерывно возрастающей сложностью конструкции и принципов функционирования летательных аппаратов. Все это выдвигает повышенные требования к уровню подготовки авиационных специалистов, как летного, так и инженерно-технического состава. Перспективным направлением решения этой задачи является совершенствование существующей классической технологии обучения персонала. В настоящее время многие компании, двигаясь в этом направлении, активно внедряют АСО, как средство повышения эффективности теоретической и предтренажерной подготовки сотрудников (рис.1).
Отличительной особенностью АСО является контроль и документирование всех действий обучаемых и преподавателей. Система фиксирует наиболее важные параметры, такие как: время изучения отдельного учебного модуля, параметры и результаты тестирования и т.д. Это приводит к накоплению больших объемов статистической информации, достигающих сотен терабайт. Такие данные являются ценным источником знаний, который можно использовать для понимания тенденций и закономерностей учебного процесса.
Инструктор АСО без соответствующего инструмента не способен переработать эту информацию. Эффективно решить поставленную задачу позволяют технологии оперативного и интеллектуального анализа известные также как OLAP (On-Line Analytical Processing) и Data Mining соответственно. Оперативный анализ обеспечивает группировку и выделение необходимых данных из многомерной модели данных с целью поддержки принятия решения. Интеллектуальный анализ данных позволяет автоматически, на основании накопленных данных генерировать гипотезы, которые могут быть проверены другими средствами анализа (например, методом оперативного анализа) [1].
Увеличить scheglov2009-1-001.gif (39кб)
Рис. 1
Внедрение такой технологии позволит построить более гибкую и эффективную систему управления обучением летного и инженерно-технического состава авиационной компании.
Для этого необходимо, базируясь на OLAP и Data Mining, разработать и в структуру типовой АСО внедрить подсистему поддержки принятия решений по управлению учебным процессом.
В общем случае, существующий процесс обучения в АСО можно представить четырьмя этапами (рис. 2):
1. Определение уровня начальной подготовки обучаемых. Осуществляется путем предъявления обучаемым ряда контрольных вопросов.
2. Распределение обучаемых по учебным группам. Реализуется объединение обучаемых в соответствии с их специальностью, квалификацией, уровнем подготовки и т.д.
Перечисленные этапы являются определяющими при выборе учебной программы, по которой будет проходить обучение.
3. Предъявление обучаемому в соответствии с его специальностью и уровнем подготовки учебной информации. Эта информация представляет собой последовательность учебных модулей (кадров). Учебные кадры структурно представлены следующими элементами: текстовая информация, видеофрагменты, аудиофрагменты, таблицы, фотографии, рисунки.
Для каждого учебного кадра и для учебной программы в целом отводится нормативное время изучения.
4. Оценка уровня обученности. После изучения каждой темы обучаемый сдает зачет, который представляет собой ряд заданий и упражнений, правильность ответов и выполнения которых оценивается и выставляется итоговая оценка.
Основным недостатком описанного выше процесса является слабая обратная связь этапов обучения с данными, накопленными БД за предыдущие циклы обучения. В БД реально существующих АСО можно выявить набор важных параметров, соответствующая обработка и использование которых может повысить гибкость процесса обучения.
Анализ информации, накапливаемой в БД, позволяет выявить ряд первоочередных задач, требующих решения:
1. Динамическая настройка коэффициентов сложности модулей учебных кадров и контрольных вопросов.
2. Мониторинг процесса обучения.
3. Оценка знаний обучаемого.
4. Проверка корректности учебных программ.
В [2] была показана целесообразность использования методов интеллектуального анализа данных (ИАД) для решения подобных задач.
Увеличить scheglov2009-1-002.gif (20кб)
Рис. 2.
Анализ типовой БД АСО позволил выявить ряд потенциально интересных для применения методов ИАД параметров: нормативное контактное время в режиме свободного изучения, сложность вопроса, специализация по роду деятельности, квалификация и т.д.
2. Оценка сложности учебных модулей АУК
Анализ работы [3] показал, что при создании АУК, используемых в АСО, очень важно понимать и корректно оценивать сложность материала, который будет предъявляться обучаемому в процессе его работы с системой. В настоящее время, как правило, сложность материала, излагаемого в отдельном учебном кадре, опосредовано оценивается контактным временем обучаемого с этим кадром. Обозначим его переменной Z. Чем сложнее материал, тем больше контактное время. Назначается эта величина экспертно и в процессе функционирования АСО является неизменной.
Имея информацию о структуре кадра (объем текста, количество иллюстраций, видеосюжетов и т.д.) и статистике о времени его изучения, накопленной в процессе функционирования АСО, можно обоснованно корректировать параметр Z.
В такой постановке задача может быть решена путем использования статистических методов - регрессионного анализа или с помощью искусственных нейронных сетей (ИНС).
В формальном виде задачу можно сформулировать так: по известной выборке (х, y, z) найти уравнение регрессии и оценить при этом допустимую ошибку. Уравнение регрессии – это предполагаемая модель. Она может быть линейной или нелинейной.
Пусть наблюденные значения xi, yi, zi случайных величин X, Y и Z представлены в табл. 1.
Таблица 1
Структура исходных данных для анализа
Увеличить scheglov2009-1-003.gif (3кб)
Применение регрессионного анализа предполагает наличие следующих этапов (рис. 3):
1. Сделать предположение о виде зависимости. Для примера, не нарушая общности, рассмотрим линейную статистическую связь между тремя случайными величинами X, Y и Z. Будем считать, что случайная величина Z связана со случайными величинами X, Y линейной функциональной зависимостью . В этом случае эмпирическое уравнение множественной регрессии имеет вид
2. Пользуясь данными таблицы и методом наименьших квадратов, определить коэффициенты a, b, c таким образом, чтобы функция
имела минимум. Согласно необходимому условию минимума функции многих переменных получаем уравнения:
учитывая, что
а также, что коэффициенты корреляции между парами величин X и Y, X и Z, Y и Z определяются согласно формуле:
Увеличить scheglov2009-1-008.gif (2кб)
где
получим следующие значения для коэффициентов:
Увеличить scheglov2009-1-010.gif (2кб)
При необходимости оценки влияния на случайную величину Z отдельно случайной величины X и отдельно случайной величины Y необходимо воспользоваться частными коэффициентами корреляции, которые определяются по формулам:
2. В качестве показателя интенсивности связи использовать отношение 
, где
Увеличить scheglov2009-1-013.gif (3кб)
Это отношение называют коэффициентом детерминации. Он показывает, какая часть общей дисперсии обусловлена изменением независимых переменных. Если значение коэффициента детерминации близко к единице, то необходимо перейти к пункту 4. Если значение коэффициента детерминации недостаточно велико (на практике менее 0,8), это означает, что построенная модель неадекватно описывает исходные данные. Необходимо перейти к пункту 1 и попытаться построить модель для другого вида зависимости.
3. Если распределение остатков построенной модели является нормальным, то перейти к пункту 5. В противном случае - перейти к пункту 1.
4. Принять решение о том, что построенная модель является адекватной.
В качестве входной информации для выполнения регрессионного анализа предлагается использовать: количество страниц гипертекста, количество видеофрагментов, суммарное время видео, количество аудиофрагментов, суммарное время аудио, количество фото и рисунков. В качестве определяемой переменной выступает время изучения учебного кадра (рис. 4).
Рис. 3
Увеличить scheglov2009-1-015.gif (9кб)
Рис. 4
При использовании ИНС в качестве рекомендуемых топологий можно предложить многослойный персептрон и обобщенно - регрессионную сеть (ОРС). В качестве особенностей структуры ОРС следует отметить, что первый промежуточный слой состоит из радиальных элементов. Поверхность отклика радиального элемента представляет собой гауссову функцию. Радиальный элемент задается своим центром и «радиусом». Если МП использует метод разбиения пространства гиперплоскостями, то работа ОРС основана на разбиении пространства гиперсферами. Преимуществом ОРС перед МП является скорость обучения, однако если число входов велико, то ОРС могут испытывать значительные трудности в работе [4].
Таким образом, получаемая с помощью предложенного алгоритма оценка устанавливает статистически обоснованные коэффициенты сложности учебных кадров (время изучения). Это позволяет гибко планировать время изучения учебной программы.
Алгоритм апробировался на экспериментальном массиве данных. Фрагмент которого представлен в табл. 2. В столбце TABLE содержится количество таблиц в учебном кадре, в столбце VIDEO - количество видеофрагментов учебного кадра, в столбце AUDIO - количество аудиофрагментов и в столбце TIME - время, затраченное обучаемым на изучение учебного кадра. Необходимо по первым трем переменным построить уравнение регрессии, с помощью которого можно оценивать время изучения учебного кадра в зависимости от структуры кадра.
Таблица 2
Экспериментальная статистическая выборка
Значения коэффициентов полученного уравнения регрессии приведены в табл. 3.
Таблица 3
Результаты работы алгоритма
Коэффициент детерминации равен 0.999. Это говорит о том, что построенная модель объясняет 99,9% вариации исходных данных. Распределение остатков построенной модели приведено на рис. 5, из которого видно, что оно близко к нормальному. Таким образом, полученные результаты указывают на то, что модель является адекватной и может использоваться для решения поставленной задачи. Используя полученную модель, можно по формальным параметрам кадра строить обоснованную оценку времени, затрачиваемому обучаемым на его изучение.
Увеличить scheglov2009-1-018.gif (8кб)
Рис. 5
Ось Y: Ожидаемое значение с нормальным законом распределения
Ось X: Значения остатков
Внедрение такого алгоритма в контур функционирования современных АСО авиационных специалистов позволит повысить обоснованность и гибкость планирования учебного процесса. Что, в конечном итоге, положительно скажется на эффективности процесса подготовки сотрудников компаний и как следствие послужит основой роста безопасности полетов.
1. Барсегян А. А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. – 2-е изд., перераб. и доп. – СПб.: «БХВ-Петербург». 2007. 384 с.
2. Alex Berson, Stephen О Smith. Data Warehousing, Data mining & OLAP. McGrawHill, 1987.
3. Свиридов А. П. Основы статистической теории обучения и контроля знаний. М.: Высшая школа. 1981.
4. Щеглов И. Н., Печатнов Ю. А. Результаты исследования эффективности методов распознавания образов // Сборник 6-ой Всероссийской научно – технической конференции "Повышение эффективности методов и средств обработки информации". 2000.
Literature
1. Barsegian A. A. Tehnologii of the analysis of the data: Data Mining, Visual Mining, Text Mining, OLAP. / A. A. Barsegjan, M. S. Kuprijanov, V. V. Степаненко, I. I. Holod. SPb.: "BHV-Peterburg". 2007. 384 p.
2. Alex Berson, Stephen О Smith. Data Warehousing, Data mining & OLAP. McGrawHill, 1987.
3. Sviridov A. P. Of the Basis of the statistical theory of training and the control of knowledge. М: Higher school. 1981.
4. Shcheglov I. Н, Pechatnov Yu. A. Results of research of efficiency of methods of recognition of images // The Collection of 6th All-Russia scientifically – technical conference "Increase of efficiency of methods and means of processing of the information". 2000.
ALGORITHM OF THE ESTIMATION OF COMPLEXITY OF THE TEACHING MATERIAL IN THE AUTOMATED SYSTEM OF TRAINING OF AVIATION SPECIALISTS
N. I. Shcheglov, Yu. A. Pechatnov
(MAEA of N. E. Zhukovskogo)
A professional level of airline employees is an important factor for providing of flights safety. Perspective direction of personnel learning technology is introduction of computer based training (CBT). The estimation task of materials educational complication is presented in the article. It is necessary for the construction of effective CBT. Possibility of application of regressive analysis is shown for these aims.
Keywords: the aviation personnel, computer based training, regressive analysis.