При проведении педагогических исследований неизбежна работа с информацией, имеющей нечисловой, слабоформализуемый характер. Вследствие этого возникает необходимость построения методики количественного описания процессов и предметов, связанных с педагогикой [1, 2]. Особое значение имеет качество образования, под которым понимают некоторый суммарный показатель, отражающий результат деятельности образовательного учреждения, а также соответствие потребностям и ожиданиям общества (различных социальных групп) в формировании различных компетенций личности.

Оценка качества образования затрудняется тем, что значение этого показателя зависит от множества факторов, возможно, с неизвестным характером влияния. Также в данном случае имеет место специфичность «продукта» образования – выпускник учебного заведения, который должен рассматриваться как сложная система. Существуют различные методы и алгоритмы оценки качества обра- зования [2, 3], в данной статье предлагается методика оценки качества обучения студентов вуза на основе нейро-нечеткого подхода.

Предварительно необходимо определить факторы, оказывающие наибольшее влияние на процесс обучения студентов. Традиционно среди них выделяют следующие [4].

1.    Качество взаимодействия с рынком труда при формировании содержания образования:

-    уровень привлечения работодателей к формированию образовательных программ;

-    наличие системы целевой подготовки специалистов по заказам предприятий;

-    наличие соглашений с зарубежными университетами о совместной реализации образовательных программ;

-    процент иностранных студентов по отношению ко всем студентам;

-    уровень развития системы анализа и содействия трудоустройству выпускников.

2.    Качество абитуриентов и студентов:

-    уровень усвоения текущего учебного материала;

-    комплексная оценка остаточных знаний;

-    уровень умения решать прикладные задачи;

-    уровень итоговой аттестации.

3.    Качество технологий обучения, учебно-методического и материально-технического обеспечения образовательного процесса:

-    уровень системы непрерывного контроля успеваемости студентов в течение семестра и технологии рейтингования студентов;

-    уровень учебно-методического материала;

-    уровень книгообеспеченности учебного процесса;

-    уровень обеспеченности специализированными лабораториями;

-    уровень организации поддержки обучения студентов по индивидуальным планам.

4.    Качество профессорско-преподавательского состава:

-    уровень соответствия базового образования преподавателя с учетом стажа педагогической работы и специализации;

-    уровень квалификации преподавателя (научная степень, звание, должность);

-    уровень социально­психологических отношений преподавателя со студентами;

-    внедрение практики приглашения специалистов различных отраслей промышленности для проведения учебных занятий.

Построение нейро-нечеткой системы оценки качества обучения студентов вуза

Методику оценки качества обучения студентов вуза предлагается построить с использованием методов и средств искусственного интеллекта, реализованных в пакете Fuzzy Logic Toolbox системы MatLab в виде адаптивной системы нейро-нечеткого вывода ANFIS (Adaptive Neuro-Fuzzy Inference System) [5].

Гибридная система ANFIS представляет собой сочетание нейро-нечеткого метода вывода Сугено с возможностью обучения пятислойной искусственной нейронной сети (ИНС) прямого распространения с одним выходом и несколькими входами, которые представляют собой нечеткие лингвистические переменные.

В качестве входных переменных системы ANFIS используем оценки четырех групп факторов Vi (i=1, …, 4), которые, соответственно, определяют качество: V1 – взаимодействия с рынком труда при формировании содержания образования, V2 – абитуриентов и студентов, V3 – технологий обучения, учебно-методического и материально-технического обеспечения образовательного про- цесса, V4 – профессорско-преподавательского со- става.

Выходная переменная системы ANFIS представляет собой численную оценку качества обучения студентов вуза и определяется как функция y = f (V1, V2, V3, V4).

Слой 1 системы ANFIS для лингвистической оценки входных параметров использует терм-множества ={«удовлетворительное», «хорошее», «отличное»}.

Оценка «неудовлетворительное» не рассматривается, поскольку при выставлении оценки «неудовлетворительно» по любой из входных переменных выходная переменная также принимает значение «неудовлетворительно».

В символическом виде запишем: ={УД, XO, OT}.

Терм-множество выходной лингвистической переменной y составляет множество значений оце­нок качества обучения студентов вуза: Ty = {«удовлетворительное», «хорошее», «отличное»} или в символическом виде: Ty = {УД, XO, OT}.

Выходы узлов слоя 1 представляют собой значения функций принадлежности при конкретных значениях входных переменных.

Слой 2 является неадаптивным и определяет предпосылки нечетких продукционных правил. Каждый узел данного слоя соединен с теми узлами слоя 1, которые формируют предпосылки соответствующего правила.

Для решения рассматриваемой задачи сформулированы три нечетких продукционных правила: P = {p1, p2, p3}.

В соответствии с особенностями сети ANFIS необходимо, чтобы число правил сети соответствовало размерности терм-множества выходной переменной y.

Узлы выполняют нечеткую логическую операцию «И» (min). Выходами узлов данного слоя являются степени истинности (выполнения) предпосылок каждого из трех нечетких продукционных правил, вычисленные по формулам:

Слой 3 проводит нормализацию степеней выполнения каждого из нечетких продукционных правил (вычисление относительной степени выполнения правил) следующим образом:

, где h = 1, …, 3 – номер продукционного правила.

На слое 4 вычисляется вклад (заключение правил) каждого нечеткого продукционного правила в выход сети по формуле

,

где  – коэффициенты выходной функции (i = 0, ..., 4).

Слой 5 обобщает вклады всех правил:

Структура системы ANFIS для оценки качества обучения студентов вуза показана на рисунке 1.

Обучение сети ANFIS осуществлялось за 24 эпохи гибридным методом. При обучении подбираются вид функций принадлежности, вид выходной функции и их коэффициенты. В результате обучения нечеткой сети для трех правил в качестве функций принадлежности были приняты функции Гаусса, а в качестве выходной функции – линейная функция. В результате обучения также были получены функции принадлежности и их коэффициенты, часть которых представлена на рисунке 2.

Нейросетевые модули оценки групп факторов, влияющих на процесс обучения

Для оценки каждой из четырех групп факторов, оказывающих влияние на качество процесса обучения студентов, используются четыре модуля, реализованные с помощью ИНС, предназначенные для учета качества взаимодействия с рынком труда при формировании содержания образования (модуль № 1), качества абитуриентов и студентов (модуль № 2), техно- логий обучения, учебно-методического и материально-технического обеспечения образовательного процесса (модуль № 3), профессорско-преподавательского состава (модуль № 4).

В зависимости от имеющихся характеристик вуза или конкретного направления обучения будут формироваться входные сигналы этих модулей.

Для реализации модулей используются ИНС, показавшие высокую эффективность при решении различных задач [6–8]. Число входов каждой ИНС обусловлено числом факторов, входящих в соответствующую группу. На входы ИНС подаются значения показателей в виде величин в диапазоне от 0 до 1. На выходе каждой ИНС формируются значения оценки соответствующей группы факторов также в виде величин в диапазоне от 0 до 1.

При выборе структуры сети необходимо тщательно проанализировать закономерности обучающей выборки [9–11]. Все используемые ИНС являются сетями прямого распространения с одним скрытым слоем с количеством сигмоидальных нейронов 2v+1, где v – количество входов этой ИНС. Данное количество искусственных нейронов в скрытом слое связано с теоремой Колмогорова и позволяет с достаточной степенью точности аппроксимировать требуемую функцию при правильном обучении [9, 12]. Разработанная система оценки качества обучения студентов вуза изображена на рисунке 3.

Обучение осуществлялось методом оптимизации Левенберга–Маркара (TRAINLM) в течение 17 эпох. Ошибка обучения определялась с помощью среднеквадратического отклонения и составила менее 2×10–14.

Значения оценки групп факторов подаются на вход сети ANFIS, которая представляет собой второй уровень системы оценки качества обучения студентов вуза.

Двухуровневое вычисление упрощает сбор данных для обучения ИНС, а также процесс формирования экспертных оценок для обучения и форми- рования входов ИНС и сети ANFIS.

Для анализа оценок, полученных от экспертов, применяются различные методы математической статистики, которые могут комбинироваться в зависимости от типа задачи и необходимого результата.

Предложенная система оценки качества обучения студентов вуза позволяет получить числовую оценку, представляющую собой суммарный показатель, характеризующий результаты деятельности образовательного учреждения и показывающий, насколько эффективно проходит процесс обучения.

Литература

1.     Селиванов Е.И., Панюшкина Е.В. Краеугольные камни квалиметрии компетенций на соответствие требованиям федеральных государственных образо- вательных стандартов среднего профессионального образования // Фундаментальные и прикладные иссле- дования в современном мире. 2014. Т. 3. № 5. С. 87–91.

2.     Ворсина Е.В., Снигирева Т.А. Квалиметрия учебной компетентности студентов на основе анализа учебных текстов // Вестн. Костромского гос. ун-та им. Н.А. Некрасова. 2012. Т. 18. № 3. С. 124–127.

3.     Лисецкий Ю.М. Алгоритм сравнения методов комплексной количественной оценки качества сложных систем // Программные продукты и системы. 2012. № 4. С. 153–156.

4.     Бартасевич И.Г. Система критериев качества обучения студентов в высшем учебном заведении // Вестн. Астраханского гос. технич. ун-та. 2008. № 3. С. 217–220.

5.     Штовба С.Д. Проектирование нечетких систем средствами MatLab. М.: Горячая линия–Телеком, 2007. 288 с.

6.     Колесников А.А., Маршаков Д.В., Айдинян А.Р. Комплексное применение синергетического подхода и нейросетевых структур к проблеме синтеза интеллектуальной системы управления электроприводом // Вестн. Донского гос. технич. ун-та. 2014. Т. 14. № 4 (79). С. 60–71.

7.     Цветкова О.Л., Айдинян А.Р. Интеллектуальная система оценки информационной безопасности предприятия от внутренних угроз // Вестн. компьютерных и информационных технологий. 2014. № 8 (122). С. 48–53.

8.     Галушка В.В., Фатхи В.А. Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных // Инженер. вестн. Дона. 2013. № 2. URL: ivdon.ru/ru/magazine/archive/n2y2013/1597/ (дата обращения: 20.08.2015).

9.     Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 c.

10.   Анохин М.Н., Березняк С.А., Бланко Л.М.Л. Организация пространственной группировки сигналов в ассоциативных процессах искусственных нейронных сетей // Инженер. вестн. Дона. 2014. Т. 28. № 1. URL: ivdon.ru/ru/magazine/archive/ n1y2014/2230/ (дата обращения: 20.08.2015).

11.   Вагин В.Н., Ганишев В.А. Кластеризация пользователей по голосу с помощью улучшенных самоорганизующихся растущих нейронных сетей. // Программные продукты и системы. 2015. № 3 (111). С. 136–142. URL: http://elibrary.ru/item. asp?id=24131141 (дата обращения: 22.12.2015).

12.   Белявский Г.И., Пучков Е.В., Лила В.Б. Алгоритм и программная реализация гибридного метода обучения искусственных нейронных сетей // Программные продукты и системы. 2012. № 4. С. 96–100.