1 / 24

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

Щербатский В.Б. Кормышев В.М. Нейроробот для диагностики знаний специалистов. Содержание. Необходимость привлечения роботов для оценки знаний и умений Функция компетентности специалиста Математическая модель специалиста Реализация робота с помощью нейросетевой технологии

Télécharger la présentation

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

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  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.

More Related