ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Мультиагентное имитационное моделирование процесса накопления знаний

Multi-agent simulation modeling of accumulation of knowledge process
Статья опубликована в выпуске журнала № 1 за 2011 год.[ 10.03.2011 ]
Аннотация:Статья посвящена разработке мультиагентной имитационной модели учебного процесса вуза, отражающей со-стояние и динамику передачи и накопления знаний с анализом и прогнозированием качества образования. Описыва-ются методы, алгоритмы и программная реализация агентно-ориентированной имитации взаимодействия обучаемого и преподавателя с учетом психофизиологического, эмоционального и когнитивного состояний интеллектуальных агентов в универсальной имитационной системе Simplex3.
Abstract:The article is devoted to the development of simulation model of educational process reflecting the state and dynamics of knowledge accumulation with the analysis and forecasting of the quality of education. The article includes short description of Methods, algorithms and program realization of the agent-oriented simulation of communication of the trainee and the teacher with a glance psychophysiological, emotional and cognition conditions of intellectual agents. Simulation of educational process in the universal simulation system Simplex3 is also described.
Авторы: Ивашкин Ю.А. (ivashkin@msaab.ru) - Московский государственный университет прикладной биотехнологии, , , доктор технических наук, Назойкин Е.А. (mirovind@mail.ru) - Московский государственный университет прикладной биотехнологии, ,
Ключевые слова: накопление знаний, социальное моделирование, агентно-ориентированные технологии, мультиагентная система, интеллектуальный агент, имитация
Keywords: accumulation of knowledge, social modeling, the agent-oriented technologies, multi-agent system, intelligent agent, imitation
Количество просмотров: 14238
Версия для печати
Выпуск в формате PDF (5.09Мб)
Скачать обложку в формате PDF (1.32Мб)

Размер шрифта:       Шрифт:

Современный образовательный процесс представляет собой упорядоченное множество ситуаций, событий и действий, обеспечивающих передачу и усвоение учебной информации с накоплением профессиональных знаний и умений и формированием личностных качеств обучаемых.

Структурными составляющими такого процесса являются обучаемый субъект (учащийся, студент и т.п.), преподаватель (учитель), цели и содержание обучения, средства информационного и методического взаимодействия, результативный уровень профессиональной подготовки.

Идентификация и прогнозирование состояния и эффективности образовательного процесса связаны с использованием агентных технологий имитации взаимодействия интеллектуальных агентов классов «преподаватель» и «студент» в сложных ситуациях с нечеткой информацией и конфликтными состояниями по аналогии с интеллектуальным поведением человека в подобных условиях.

Процесс обучения в вузе можно представить в виде трех основных взаимодействующих компонентов: обучаемый интеллектуальный агент AgStud, имитирующий процесс накопления знаний; интеллектуальный агент AgTeacher, пе- редающий знания обучаемому агенту и оценивающий степень их накопления; объектный блок «среда обучения», отражающий условия обеспечения учебного процесса (расписание занятий, учебно-методические указания, оснащенность аудиторий и т.п.).

Параметрическое описание модели

Интеллектуальный агент AgStud описывается переменными и параметрами когнитивного Co, психофизиологического Ps, эмоционального Em и социального So состояний в виде множества векторов: AgStud={Co, Ps, Em, So}.

Векторы когнитивного и психофизиологического состояний i-го агента включают исходные неизменяющиеся параметры агента cs, влияющие на накопление знаний (cs1 – уровень интеллекта, cs2 – внимание, cs3 – зрительная память, cs4 – вербальная память, cs5 – ассоциативная память, cs6 – общие математические способности, cs7 – арифметический счет, cs8 – установление закономерностей), и переменные ca, изменяющиеся в процессе обучения (ca1 – уровень априорных знаний J0, ca2 – текущий уровень знаний J, ca3 – уровень остаточной информации и знаний Jост, ca4 – коэффициент эффективности переработки информации R, ca5 – скорость восприятия информации l).

Вектор эмоционального состояния i-го агента Emi={ei1, ei2, ei3, ei4} отражает параметры состояния (ei1 – психологическая напряженность, ei2 – психотип) и переменные состояния (ei3 – степень удовлетворенности обучением, ei4 – эмоциональная реакция).

Вектор социального состояния агента Soi={si1, si2, si3} содержит параметры si1 – индекс социометрического статуса, si2 – коэффициент взаимодействия и переменную si3 – удовлетворенность социальным положением.

Описание агента может быть дополнено вектором личностных характеристик Pсi={pi1, ..., pi4}, включающим параметры состояния (pi1 – сознательность, pi2 – трудолюбие) и переменные (pi3 – мотивация обучения, pi4 – быстрота интеллектуальной утомляемости студента).

Параметры состояния определяются в результате проведения психологических тестов в группе студентов по заданным характеристикам и рассчитываются в относительных единицах с выделением четырех качественных уровней общего исходного состояния агента AgStud с предполагаемым результатом обучения (отлично, хорошо, удовлетворительно, плохо).

Процесс усвоения изучаемого материала и накопления информации во времени можно описать уравнением

,                                        (1)

где J(t) – количество информации, накопленное студентом, Кб; I(t) – количество представляемой информации, Кб;  – коэффициент эффективности переработки информации; Jt(t) – количество воспринятой текущей информации, Кб; J0 – количественная оценка априорных знаний; t – текущее время, ед.вр.

Важнейшей характеристикой интеллектуального состояния агента AgStud является психофизиологическая скорость восприятия студентом текущей информации или его пропускная способность lt в текущий момент, Кб/ед.вр., выражаемая производной .                                        (2)

Пропускная способность является функцией интеллектуального состояния студента и его априорных знаний, эмоционального состояния и эмоциональной реакции и изменяется в процессе обучения в зависимости от объема представленной I(t) и воспринятой Jt(t) информации, способа представления I(t), степени тренированности и других факторов [1].

Исходное значение l0i i-го студента можно выразить уравнениями регрессии от исходных параметров когнитивного и эмоционального состояний i-го агента на основе корреляционного и регрессионного анализа экспериментальных данных в виде

, i=1, …, N,    (3)

где pij – коэффициенты линейной множественной регрессии; cij – j-й параметр когнитивного состояния i-го студента; eik – k-й параметр эмоционального состояния i-го студента.

Допуская, что λi не изменяется в процессе восприятия текущей информации и зависит главным образом от уровня априорных знаний и степени тренированности, можно оценить эффективность процесса накопления знаний i-м студентом коэффициентом Ri как отношение воспринятой им информации Jti(t)=li×t к представленной I(t) в виде

,

i=1, …, N.                                                               (4)

В соответствии с уравнением (1) и опытными данными [2] некоторый нормированный процесс накопления знаний аппроксимируется в первом приближении функцией вида

,                                              (5)

где It – объем информации, предъявляемый преподавателем в момент t; λ – пропускная способность обучаемого в заданных условиях.

Эмоциональная реакция Qi студента на процесс обучения (удовольствие, ожидание, обучение, стремление, безразличие, отрицание и т.п.) зависит от его эмоционального состояния в точке эмоционального гиперпространства c координатами qj, 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 [3] ее конкретного вида от значений координат:

, i=1, …, 6,                          (6)

где qj – субъективная оценка уровня эмоции (j-й координаты) в баллах; mi – число эмоций, имеющих сильную корреляционную связь с областью i-й эмоциональной реакции агента (i=1, …, 6).

При известных или задаваемых оценках координат вектора эмоционального состояния в 15-мерном эмоциональном пространстве после очередного события определяется область наиболее интенсивной эмоциональной реакции, обусловливающей дальнейшие действия агента [3, 4].

Коэффициент психологической напряженности агента определяется отношением абсолютного количества антагонистических связей к общему количеству взаимодействующих агентов.

Социальная составляющая агента определяется индексом социометрического статуса Ci, характеризующим степень общительности студента и его отношение к коллективу в целом, и рассчитывается с помощью экспертного опроса по формуле , i=1, …, N,                      (7)

где Sij, Sji – количество прямых и обратных связей i-го агента с другими агентами AgStudj в группе с оценками сотрудничества (+1), антагонизма (–1) и безразличия (0) во взаимодействии; N – число студентов в группе.

Подпись:  Рис. 1. Мультиагентная имитационная модель LearningКоэффициент взаимодействия i-го агента определяется также из матрицы взаимосвязей как отношение абсолютного количества неантагонистических отношений к количеству взаимодействующих агентов.

Агент «преподаватель» AgTeach характеризуется набором векторов состояния: AgTeach={Сo, Em}, где Co={c1i, ci2, ci3} – вектор когнитивного состояния (с1 – уровень знаний, c2 – уровень умений, c3 – степень владения предметной областью); Emi={e1i, e2i} – вектор эмоционального состояния (e1 – нервно-психологическая устойчивость, e2 – темперамент личности, e3 – степень удовлетворенности результатами обучения студентов).

Агент AgTeacher в учебном процессе имеет две фазы деятельности – преподавание требуемого материала с передачей знаний и контроль знаний агента AgStud с идентификацией его индивидуального состояния и рейтинговой оценкой в целом.

Математические модели (1)–(7) и продукционные правила поведения агентов позволяют составить описание состояния и поведения агентов в зависимости от ситуации взаимодействия с другими агентами и средой.

Мультиагентная модель образовательного процесса Learning

Данная модель в универсальной имитационной системе Simplex3 [5] включает пять базисных компонентов (рис. 1), а именно: агенты класса AgStud, агент AgTeach, компонент Area «среда обучения», компонент Statistic «текущая успеваемость и оценка эффективности», компонент Connektion для адресного обмена сообщениями между агентами AgStud и AgTeach.

Time[k] – время начала k-го цикла аудиторных занятий, k=1, …, 3; V[k] – характеристики среды обучения (оснащенность компьютерами, мультимедийными средствами, Интернетом и т.п.); Vymk – учебные планы и графики лекционных, практических и лабораторных занятий на семестр; Control – информация о времени проведения и виде контроля; J[i] – информация о накопленных знаниях i-го агента; Ipi – поток информации от преподавателя; MassegeStud – мобильный компонент с сообщениями от агентов AgStud; MassegeTeach – мобильный компонент сообщений от агента AgTeach; Ball[i] – оценка i-го студента.

Каждый агент описывается на объектно-ориентированном языке описания моделей Simplex-МDL (Model Description Language) базисным MDL-компонентом с декларированием переменных состояния, сенсорных связей и описанием динамики поведения в виде алгебраических и дифференциальных уравнений или последовательности событий [5]. Базисные компоненты объединяются в общую мультиагентную модель системы с помощью сенсорных связей и мобильных компонентов для адресной передачи сообщений между агентами.

Из блока Area (среда обучения) агентам AgStud (студент) и AgTeach (преподаватель) по каналам сенсорных связей передаются: организационная информация о времени начала лекционных, практических и лабораторных занятий Ti­me[k], k=1, ..., 3; характеристики среды обучения V[k] (оснащенность компьютерами, мультимедийными средствами, Интернетом и т.п.); план лекционных, практических и лабораторных занятий на семестр Vymk; информация о времени проведения и типе контроля Control накопленных знаний Ji.

От агента AgTeach каждому агенту AgStud через компонент Conneсt поступают поток учебной информации I, программа контроля ActCon­trol и оценка, выставляемая преподавателем i-му студенту, Balli.

В свою очередь, агент AgTeach через компонент Conneсt получает от агентов AgStudi как информацию о накопленных знаниях Ji i-го агента, о социальной потребности его в работе с преподавателем, о целях обучения, об эмоциональной реакции, так и оценку качества преподавания и др.

Обмен сообщениями между агентами обеспечивается, с одной стороны, мобильным компонентом MеssаgеStud, передающим информацию от агентов AgStudi агенту AgTeach об эмоциональной реакции, социальной потребности, запрос о помощи, и, с другой стороны, мобильным компонентом MеssаgеTeach с персональной информацией i-му студенту (оценка успеваемости, дополнительный контроль, поощрение или порицание, дополнительные занятия и т.п.).

Общий алгоритм образовательного цикла показан на рисунке 2.

В начале цикла моделирования задаются характеристики агента AgStud и рассчитываются исходные значения параметров и переменных векторов эмоционального, когнитивного, социального и личностного состояний.

Далее агенту сообщаются расписание лекционных, практических, лабораторных занятий и свободное время, в которое он может заниматься самостоятельно или с другими агентами AgStud, консультациями с AgTeacher или просто отды- хать [4].

Подпись:  Рис. 3. Графики накопления знаний агентами AgStud в цикле учебного процесса Рис. 4. Изменения эффективности процесса накопления знаний агентамиВ зависимости от уровня эмоциональной напряженности, когнитивного состояния и других факторов происходит процесс накопления знаний в соответствии с математическим описанием (1)–(7). На лекционных занятиях агент AgStud повышает уровень теоретических знаний, а на практических и лабораторных – степень тренированности c lmр.

После проведения занятий агент AgStud оценивает уровень полученных знаний. При неудовлетворительной оценке следует переход в фазу самостоятельного пополнения базы знаний с индивидуальной или коллективной стратегией. Оценка уровня полученных знаний в большинстве случаев связана с переговорным процессом и достижением согласия путем интерактивного обмена информацией в форме вопросов и ответов, на основе которого выставляется рейтинговая оценка Ball.

Результаты имитационного моделирования процесса накопления знаний

В результате имитационного моделирования на основе исходных данных и параметрических описаний получены кривые изменения уровня знаний студента в процессе активной и самостоятельной фаз обучения (рис. 3 и 4).

На графике рисунка 3 на отрезке от 0 до 4,5 ч. наблюдается рост знаний агентов в активной фазе обучения, где наиболее успешное накопление знаний показывает агент AgStud1 за счет высоких когнитивных, эмоциональных, социальных и личностных характеристик и уровня априорных знаний. Агент AgStud2 по сравнению с AgStud1 имеет более низкие когнитивные характеристики и отстает в усвоении представляемой информации. Однако за счет высоких личностных характеристик (стремления к обучению) он приближается к уровню знаний агента AgStud1.

Состояние агента AgStud3 соответствует удовлетворительному уровню, но при хорошей самостоятельной проработке материала и активном взаимодействии имеет более высокий уровень знаний, чем агент AgStud4, состояние которого на неудовлетворительном уровне.

На рисунке 4 показано изменение общей эффективности обучения агентов с учетом изменения их когнитивного Co, эмоционального Qi и социального So состояний в цикле учебного процесса с активной (0–4,5 ч.) и самостоятельной (4,5–7,5 ч.) фазами работы.

Исходя из результатов моделирования можно сделать выводы о том, что учащимся следует ориентироваться на получение знаний, даваемых преподавателями, при этом необходимо уделять достаточно времени самоподготовке. В качестве управляющего воздействия можно выделить контроль полученных знаний как наиболее эффективный.

Предложенные модель и алгоритмы дают возможность получать статистику накопления знаний агентов, прогнозировать и оценивать образовательный процесс в зависимости от психофизиологических свойств агентов и их целей, легко выявлять факторы, оказывающие влияние на накопление знаний, устанавливать их значимость и вводить корректировку.

Литература

1. Ломов Б.Ф. Основы инженерной психологии: учебник для техн. вузов. М.: Высш. шк., 1986.

2. Маклаков А.Г. Профессиональный психологический отбор персонала. Теория и практика: учеб. для вузов. СПб: Питер, 2008.

3. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем: учеб. пособие. М.: МГУПБ, 2008.

4. Ivashkin Y.A., Nazoikin E.A. Agent-Based Simulation Model of Educational Process in the Student Group // International Conference on Computational Intelligence, Modelling and Simulation. Brno, Czech Republic, 2009, pp. 132–137.

5. Шмидт Б. Искусство моделирования и имитации. Введение в универсальную имитационную систему Simplex3; [пер. с немец. под ред. Ю.А. Ивашкина и В.Л. Конюха]. Ghent, Belgium, 2003. 550 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2711
Версия для печати
Выпуск в формате PDF (5.09Мб)
Скачать обложку в формате PDF (1.32Мб)
Статья опубликована в выпуске журнала № 1 за 2011 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: