Содержание к диссертации
Введение
ГЛАВА 1. Учебный процесс как сложная многофакторная социальная система 14
1.1. Инженерно психологическая концепция образовательного процесса и существующие технологии обучения 14
1.2. Информационные и психологические характеристики обучаемого и обучающего субъектов (студента и преподавателя) 19
1.3. Анализ существующих математических методов 25 оценки качества и оптимизации процесса обучения 25
1.4. Концептуальная схема и проблематика мультиагентного моделирования образовательной системы вуза 29
ГЛАВА 2. Параметрическое описание состояния агентов в образовательной системе накопления знаний 34
2.1. Информационная и структурно-параметрическая модель интеллектуальных агентов AgStud и AgTeach 34
2.2. Расчетное и эксперементальное определение параметров состояния обучаемого агента AgStud 37
2.3. Математическое моделирование процесса накопления знаний 44
2.4. Кластеризация агентов в оценке конечного уровня итоговых знаний 51
ГЛАВА 3. Имитационные модели интеллектуальных агентов класса «студент» и «ПРЕПОДАВАТЕЛЬ» 56
3.1. Функциональная структура агента «студент» 56
3. 2. Алгоритм поведения агента AgStud в процессе обучения 59
3.3. Функциональная структура агента «преподаватель» 65
3.4. Алгоритм поведения агента AgTeach в процессе преподавания 67
ГЛАВА 4. Мультиагентная имитационная модель образовательной системы, накопления знаний "Learning" 69
4.1. Общий алгоритм образовательного процесса накопления знаний 69
4.2. Мультиагентная имитационная модель образовательного процесса 73
4.3. Фрагменты программного кода ИА AgStud 80
ГЛАВА 5. Организация имитационного эксперимента 85
5.1. Создание вспомогательного интерфейса пользователя на языке описания эксперимента Simplex-EDL с внешними программами Delphi 85
5.2. Структура программного комплекса Learning 90
5.3. Инструментальные средства моделирования ИА (выбор симулятора) 92
5.4. Имитационный эксперимент идентификации и оценки накопления знаний в процессе обучения 93
5.5. Организация имитационного эксперимента для нахождения оптимальный условий процесса обучения 98
Заключение 103
Список использованных источников 107
Приложения 117
Приложение 1. Описание методик тестирования 117
- Информационные и психологические характеристики обучаемого и обучающего субъектов (студента и преподавателя)
- Расчетное и эксперементальное определение параметров состояния обучаемого агента AgStud
- Алгоритм поведения агента AgStud в процессе обучения
- Мультиагентная имитационная модель образовательного процесса
Информационные и психологические характеристики обучаемого и обучающего субъектов (студента и преподавателя)
В системе высшей школы можно выделить два основных вида информации: - информационные потоки собственно в учебном процессе; -информация о контроле состояния учебного процесса, оценке качества обучения и накопления знаний.
Исследование информации, циркулирующей в процессе обучения, затрудняется отсутствием научно обоснованных критериев оценки эффективности функционирования системы, наличием множества субъективных факторов в процессах представления, передачи, восприятия и усвоения информации человеком, многокритериальностью количественной и качественной оценки и множеством качественных слабо формализованных характеристик первичного процесса.
Моделирование и оптимизация учебного процесса вуза характеризуется большим объемом детальной информации, требующей выделения и формализации наиболее существенных дискретных временных и условных событий с учетом вероятностных оценок и устранения избыточности представления, семантического обогащения информации, форм и способов повышения эффективности передачи и накопления знаний в проблемных ситуациях.
Образовательный процесс в системе «преподаватель-студент» является информационной системой [71], характеризующейся совокупностью человеческих отношений и взаимодействием в форме целенаправленного переговорного процесса в различных ситуациях согласия, безразличия, конфликта, противодействия с визуальным, звуковым и мультимедийным способами обмена информацией.
Разработанные в середине прошлого века меры оценки информации, основанные на теории информации Шеннона [77] связаны с нахождением степени неопределенности (энтропии) фиксированных состояний и могут быть использованы в определенной степени для синтаксической оценки форм и способов представления информации в некотором нормированном процессе обучения. При этом количество информации вычисляется как разность энтропии до и после получения информации студентом в той или иной синтаксической форме.
Семантические оценки смысла, содержания, полезности и значимости представляемой информации преподавателем, связанные с понятием контент [63] представляемых и накапливаемых знаний в системе «преподаватель-студент», оказываются трудно формализуемыми и в целом не конструктивными.
Общий анализ существующих методов и технологий образовательного процесса дает возможность наблюдать увеличение значимости общей предварительной подготовки обучаемых субъектов, а также их отношений к целевым функциям обучения. При этом, чем больше априорных знаний о предмете и цели изучения предлагаемой темы, тем эффективнее она воспринимается субъектом. Эффект использования априорной информации с теоретико-информационной точки зрения проявляется в сокращении объема текущей информации, перерабатываемой человеком. Поэтому эффективность индивидуального обучения может быть охарактеризована имеющимся уровнем априорной информации и оценена величиной субъективной избыточности: h где Jo - количество априорной информации; It - количество оперативной учебной информации. Трудность количественного выражения такой характеристики заключается в отсутствии общего подхода к определению объема индивидуальных априорных знаний и текущей информации. Основной формализуемой характеристикой «способности к обучению» является скорость переработки информации или пропускная способность обучаемого X, значение которой определяет достижение того или иного уровня накопления знаний. Т.е. обучаемость это - индивидуальное, относительно устойчивое свойство личности, характеризующее состояние обучаемого и скорость процесса приобретения знаний в заданной образовательной системе. При рассмотрении системы обучения с активными элементами: «обучаемый» и «преподаватель» все множество характеристик состояния субъекта можно разделить на четыре группы, характеризующие его когнитивное, эмоциональное, персональное (личностное) и социальное состояния. Когнитивные факторы являются наиболее важными при оценке степени обучаемости. Основываясь на современных подходах в когнитивной психологии [25, 68] выделим наиболее важные: - интеллект, характеризующий общий уровень интеллектуального развития, измеряемый в общепринятых баллах IQ; - внимание, определяющее избирательную направленность на тот или иной объект, сосредоточение на нем; - способность к восприятию, определяющая степень усвоения и переработки новой информации; Для количественной оценки когнитивных характеристик использовались различные тесты и методики ("Компасы", тест Айзенка и др.) подробно рассмотренные в приложении 1. Кроме психологических характеристик обучаемого, как приемника информации, следует выделить также информационные, относящиеся к когнитивной составляющей обучаемого: - уровень априорных знаний, т.е. знаний необходимых для изучения данной дисциплины - базовые образовательные предметы, общая осведомленность, максимальный объем и фактический в балльной системе, средний балл и т.п.; - информационное содержание источника информации, как фактическое количество новой информации, воспринимаемое студентом; - скорость восприятия представляемой информации; - текущий уровень знаний апостериорно.
Расчетное и эксперементальное определение параметров состояния обучаемого агента AgStud
Одной из важнейших задач исследования являлась определение факторов, оказывающих влияние на успеваемость студентов, выраженную через пропускную способность восприятия информации Я.
В общем случае исходное значение Xto -го агента - «обучаемого» можно выразить уравнением регрессии от исходных параметров когнитивного и эмоционального, социального состояний и персональных характеристик /-го агента на основе корреляционного и регрессионного анализа экспериментальных данных в виде:
В первом приближении будем считать, что Я, не изменяется в процессе восприятия текущей информации и зависит главным образом от уровня априорных знаний, эмоционального состояния и персональных характеристик агента. Для количественной оценки скорости восприятия учебной информации X, была разработана структура тестов и применена методика, по которой каждому студенту давался тест на установление уровня знаний до и после занятий и на основе полученных данных рассчитывалась скорость восприятия, как отношение полной информации к воспринятой. Более подробное описание эксперимента приведено в приложении 2. Наборы тестов и опросные листы, составленные для проведения эксперимента, описаны в приложении 1. В экспериментальных исследованиях принимали участие студенты ветеринарно-санитарного факультета и факультета автоматизации биотехнических систем МГУПБ. Производилась оценка влияния психологических параметров личности на конечный уровень знаний и текущий уровень восприятия. В результате проведения тестирования студентов были получены оценки характеристик, выделенных для формирования модели обучаемого (пиложение 2, таблица 1). По каждой характеристике было рассчитано среднее значение, определены минимальные и максимальные значения, на основании которых результаты были нормализованы, с применением условной стэновой шкалы (приложение 2, таблица 2). По нормализованным данным проведен корреляционный анализ (таблица 2.1), в пакете прикладных программ Statistica [105], на основе которого был оценён уровень влияния отобранных психологических факторов на текущую скорость восприятия. Из полученных результатов видно, что наибольшее влияние на скорость восприятия информации оказывают когнитивные факторы. Вторыми по уровню значимости оказались эмоциональные факторы. Вместе с тем такие параметры как психотип личности или индекс социометрического статуса не оказывают влияния на уровень пропускной способности. Тогда конкретный вид множественной линейной регрессии примет вид: где %- коэффициенты линейной множественной регрессии; % etk, ри - параметры когнитивного, эмоционального и персонального состояний /-го агента, соответственно, тесно связанные с Аю. При найденных коэффициентах линейной множественной регрессии, получено уравнение регрессии следующего вида: Значение коэффициента корреляции составило R=0.69 при стандартной ошибке отклонения 0.15, что говорит о возможности использования уравнения для практического прогнозирования уровня пропускной способности конкретного обучаемого.
На рисунке 2.1 представлена гистограмма распределения прогнозируемой пропускной способности, что подтверждает гипотезу о нормальном распределении пропускной способности среди группы обучающихся. В ходе анализа экспериментальных данных была выявлена непосредственная зависимость средней оценки Ball от уровня IQ по следующей формуле:
Коэффициенты уравнения статистически значимы, R = 0.89, стандартное отклонение 0.11. Данное уравнение согласуется с имеющимся в западной литературе уравнением зависимости между коэффициентом IQ и достижениями в учебе (средний балл успеваемости - grade point average; GPA) соответственно [105].
Однако ввиду плотности корреляционных зависимостей исследуемых показателей друг от друга, для более точного определения пропускной способности был использован алгоритм искусственных нейронных сетей, способных выявлять сложные зависимости между входными и выходными переменными, неполных, «зашумленных» и частично искаженных данных [99]. Детально данный алгоритм раскрывается в разделе математического описания модели накопления знаний.
Эмоциональная реакция Qx студента на процесс обучения {удовольствие, ожидание, обучение, стремление, безразличие, отрицание и т.п.) зависит от его эмоционального состояния в точке эмоционального гиперпространства с координатами q3 ; J =1,15 {счастье, грусть, злость, скука, сомнение, надежда, страх, интерес, презрение, отвращение, разочарование, удивление, гордость, стыд, чувство вины) и может быть определена множественной регрессией ее конкретного вида от значений координат:
Алгоритм поведения агента AgStud в процессе обучения
Обобщая все вышесказанное, учебный процесс представляется как ряд последовательных циклов, в пределах которых с обучаемыми агентом проводятся различные виды занятий. Каждый из этих циклов обучения направлен на достижение определенных целей, соответствующих как очередному циклу, так и используемым на этом этапе видам учебных занятий [47].
Завершение очередного цикла обучения позволяет перейти к следующему циклу, соответственно переходу учебного процесса к следующему этапу накопления знаний агентами AgStud. По завершению каждого цикла обучения агент AgTeach оценивает эффективность обучения AgStud показателем R в сравнении с требуемыми стандартами и на основе проведенной оценки выстраивает последующий цикл обучения.
Таким образом, учебный процесс на примере вуза включает в рамках одного цикла несколько этапов обучения, в соответствии с учебными графиками и УМК: лекции, практические и лабораторные занятия.
Лекции являются групповым видом занятий и проводятся первыми из всех видов обучения в пределах очередного цикла (очередной недели учебного семестра). Изложенный преподавателем на текущей лекции учебно-методический материал, содержащий основные теоретические положения изучаемого предмета, представлен в виде соответствующего ему входного воздействия / для всех агентов AgStud одновременно. По завершении данного вида занятий каждым агентом AgStud индивидуально накапливаются знания J, (i = 1,N) в соответствии с математическими моделями, рассмотрен-ными во второй главе. В ходе проведения практических и лабораторных занятий, агент AgTeach не выступает в роли общего источника информации. Взаимодействие с преподавателем происходит в рамках консультации, т.е. если агент AgStud посылает сообщение с запросом о помощи MassageStud.Type = Help , то в рамках времени проведения данного вида занятий, агент AgTeach разнесняет учебный материал агенту, запросившему помощь. С другой стороны агент AgTeach устанавливает дальнейший режим работы агента AgStud по выполнению заданий, в результате выполнения которых агенты AgStud повышают свой уровень знаний. Цикл продолжается до окончания обучения (завершения семестра или времени оговоренного в модели).
Общий алгоритм имитационного моделирования образовательного процесса накопления знаний показан на рис. 4.1 и сводится к совокупности обобщенных по видам занятий циклов, отражающих процесс обучения индивидуально для каждого агента AgStud. Построение и реализация объектно-ориентированной мультиагентной-имитационной модели процесса обучения осуществлялась в.универсальной имитационной системе Simplex3, разработанной в университете Пассау (ФРГ) и представляющей собой банк моделей пользователя, среду экспериментирования с обработкой результатов имитации, компонентно-ориентированный язык описания моделей Simplex-MDL (Model Description Language) и язык описания эксперимента Simplex-EDL (Experiment Description Language) [60]. Каждый агент описывается базисным MDL-компонентом с именем-идентификатором и представляет собой класс агентов с различными характеристиками, декларированием переменных состояния, связей с другими компонентами и описанием динамики временного поведения агента с помощью алгебраических, дифференциальных уравнений и последовательности событий. Базисные компоненты объединяются в общую мультиагентную модель системы с помощью структурных компонентов, задающих структуру взаимосвязей между базисными компонентами, компонентами высокого уровня и мобильными компонентами - для передачи основных действий выполняемых агентами. Концепция формирования модели основана на декомпозиции сложной системы процесса обучения на отдельные функциональные элементы -интеллектуальные агенты (ИА), отражающие состояние и поведение каждого реального объекта обучения - студента с множеством параметров состояния и целей, моделей поведения и внешних информационных связей с сенсорными переменными, по которым изменение состояния одного агента влияет на состояние другого. Модели ИА объединяются в мультиагентную имитационную модель процесса обучения (Learning_High), воспроизводящей динамическое взаимодействие интеллектуальных агентов AgStud и AgTeach с возможностью идентификации их состояния и прогнозирования оптимальных стратегий достижения цели. Общая агентно-ориентированная модель процесса обучения в вузе Lea.rning_H.igh структурирована в виде пяти базисных компонентов (рис. 4.2), а именно: -агенты класса AgStud «студент», воспринимающие учебную информацию и накапливающие базу знаний; - агент класса AgTeach «преподаватель», обеспечивающий передачу информации к студенту и контроль его знаний; - компонент Area «среда обучения», отражающий условия обеспечения учебного процесса (расписание занятий, учебно-методические указания, оснащенность аудиторий и т.п.).
Мультиагентная имитационная модель образовательного процесса
Программный комплекс learning" включает в себя: внешний интерфейс проведения эксперимента, модуль для работы с НС, описание эксперимента на Simplex-EDL и набор банков моделей имитации образовательного процесса на Simplex-MDL.
Внешний интерфейс проведения эксперимента обеспечивает легкое и интуитивно понятное управление моделью, позволяет настраивать проведение имитационного эксперимента и ввод исходных данных, как ручным способом, так и с помощью обработки данных из внешних файлов, структурированных в соответствии с требованиями в приложения 3. Модуль НС представляет собой консольный модуль, обеспечивающий обучение нейросети в соответствии с актуальными данными, для прогнозирования состояния конкретной группы обучающихся, а также используется как подключаемый внешний модуль для перерасчета показателя пропускной способности А, во время проведения имитационного эксперимента.
Процедура эксперимента на Simplex-EDL обеспечивает подключение внешней, автономной программы, передачи данных необходимых для проведения эксперимента, а также выполняет функции экспорта данных, в формат .csv для представления в табличной форме, и анализа результатов имитационного эксперимента в иных программах (Excel, Statistica).
Имитационная модель на языке Simlex-MDL является ядром программного комплекса: Первоначальное описание моделей версий и компилятора.создаются C++ коды, которые, в свою очередь с помощью С-компилятора переводятся в объектные модули. Эти модули связываются с системой и взаимодействую во взаимосвязанной структуре. Во время имитационного эксперимента происходит наблюдение и запись результатов вычислений исследуемых параметров на каждом шаге моделирования.
Таким образом программный комплекс "Learning" является открытой системой, позволяющей при необходимости перенастраивать отдельные модули для конкретных условий. На основе разработанного подхода и инструментальных средств был создан программный комплекс «Learning» мультиагентного имитационного моделирования образовательного процесса для поддержки принятия решений.
Список применяемых сегодня коммерческих симуляторов для процессов с дискретными и непрерывными событиями обширен: AnyLogic, Arena, AutoMod, еМ-Plant (SIMPLE++), Enterprise Dynamics, Extend, ProModeh QUEST, STMFACTORY и WITNESS, Simplex3. Все эти симуляторы могут применяться для создания имитационных моделей.
Из всего списка представленных имитационных программ для реализации мультиагентной модели образовательного процесса была выбрана универсальная система моделирования Simplex3 для идентификации и прогнозирования состояния, накопления знаний в образовательной системе при разыгрывании поведения агентов в процессе достижения конечной цели, включающая в себя язык моделирования Simplex-MDL и язык описания эксперимента Simplex-EDL, а так же возможностью подключения Сопрограмм и обладающая целым набором средств представления результатов моделирования (графики, таблицы, отчеты.и т.д.).
В отличие от известных мультиагентных систем, реализуемых, как правило, на основе Java-классов, в данной разработке изначально был взят курс на создание собственной среды разработки и функционирования агентов, способной гарантировать системе высокую производительность и большое число агентов, необходимое для построения мультиагентных систем, а также полный контроль на этапе исполнения.
На основе языка Simplex-MDL была построена мультиагентная имитационная модель образовательного процесса накопления знаний, через подключаемые С-программы была описана НС, а на основе языка Simplex-EDL осуществлена интеграция программного интерфейса из внешней программного средства Delphi.
В программной среде Simplex3 возможно создание различных целенаправленных обучаемых интеллектуальных агентов, располагающих базой знаний о характере связей между параметрами состояния и заданной целью, банком моделей поведения, альтернатив и стратегий достижения цели. Каждому агенту присваивается уникальное имя, которое используется в качестве адреса, что позволяет агенту взаимодействовать с другими агентами вне зависимости от их размещения.
Функционирование модели основано на интеграции базисных компонентов модели, описанных в третьей и четвертой главе, с внешними процедурами {External Function) для использования НС технологий при определении пропускной способности X.
Имитационный эксперимент заключается в генерации параметров исходного состояния системы (времени проведения занятий, начальных психологических характеристик агентов) и моделировании ситуаций, возникающих в динамике временных и условных событий изменения состояния и взаимодействия ИА, включающих в себя фазы обучения и контроля.
Для нахождения и прогнозирования оптимальных решений проводятся эксперементы с моделью при изменении стратегии поведения агента прпеподователь во время проведения занятий и передачи необходимой для обучения информащш. В качестве объекта исследования был выбран университет прикладной биотехнологии, а именно студенты ветеринарно-санитарного факультета и факультета автоматизации биотехнических систем. В результате имитационного моделирования на основе исходных данных и параметрических описаний получены кривые изменения уровня знаний обучаемых агентов в процессе активной и самостоятельной фаз обучения (рис.5.4 и 5.4).
На графике 5.4 отображена тенденция накопления знаний различными агентами. Во время моделирования от 0 до 4,5 часов наблюдается рост знаний агентов в активной фазе обучения. Из графика видно, что наиболее успешное накопление знаний показывает агент AgStudl за счет высоких когнитивных, эмоциональных, социальных и личностых характеристик и уровня априорных знаний Агент AgStud2 по сравнению с AgStudl имеет более низкие когнитивные характеристики и запаздывет в процессе усвоения представляемой информации. Однако за счет высоких личностых характеристик (стремления к обучению) он приближается к уровню знаний агента AgStudl.
