Автоматизация процесса формирования индивидуальных учебных планов в системе переподготовки персонала промышленных предприятий

На правах рукописиЯгудаев Геннадий ГригорьевичАвтоматизация процесса формирования индивидуальных учебных планов в системе переподготовки персонала промышленных предприятийСпециальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (промышленность)Автореферат диссертации на соискание ученой степени кандидата технических наукМосква – 2009 Работа выполнена на кафедре «Автоматизированные системы управления» в Московском автомобильно-дорожном институте (государственном техническом университете) Научный руководитель: Заслуженный деятель науки РФ, доктор технических наук, профессор Николаев Андрей Борисович, профессор МАДИ(ГТУ) Официальные оппоненты: Доктор технических наук, доцент Попов Дмитрий Иванович, профессор Московского государственного университета печати Кандидат технических наук, Лукащук Петр Иванович Генеральный директор ООО «Спецстройбетон-200», г.Москва Ведущая организация: Московский государственный технический университет им. Н.Э.Баумана (МГТУ им.Н.Э.Баумана), г. Москва.Защита состоится 26 июня 2009г. в 10.00 на заседании диссертационного совета Д212.126.05 Московского автомобильно-дорожного института (государственный технический университет) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д.64.С диссертацией можно ознакомиться в библиотеке МАДИ(ГТУ).Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического университета): www.madi.ru Автореферат разослан 25 мая 2009г.Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.Ученый секретарь диссертационного совета, кандидат технических наук, доцент Михайлова Н.В.Общая характеристика работы ^ Актуальность проблемы Совершенствование производственных процессов промышленных предприятий требует процесса непрерывной переподготовки специалистов, а современные темпы реорганизации производства требуют новых методов управления персоналом. Все это диктуют необходимость динамичного изменения учебных планов и рабочих программ подготовки рабочих кадров и служащих, рассчитанных на различные возрастные категории и различный уровень начальной подготовки. Задачам автоматизации формирования учебных планов, процедур тестового контроля, мультимедийных обучающих программ посвящено значительное количество работ. В настоящее время отработаны методы формирования учебных планов и программ. Однако проблеме автоматизации процедур формирования индивидуальных учебных планов в системе подготовки уделяется недостаточно внимания. При этом использование новых информационных технологий в процессе обучения требует пересмотра взгляда на сам процесс подготовки за счет использования мощной аппаратной и программной базы. Не вызывает сомнения необходимость индивидуализации обучения, что естественным образом сокращает сроки и повышает качество подготовки специалистов. Основу процессов автоматизации формирования индивидуальных учебных планов и их динамической корректировки должны составлять адекватные модели процедур тестового контроля и структуризации учебной информации. Представленная работы направлена именно на решение указанных проблем индивидуализации процесса подготовки персонала, что и определяет ее актуальность. Предметом исследования являются методы и модели формализованного описания процессов обучения и тестового контроля и принципы формирования индивидуальных учебных планов.^ Цель и основные задачи исследования Целью работы является повышение эффективности системы подготовки персонала на основе автоматизации процесса формирования индивидуальных учебных планов на базе формализованных методов и моделей структуризации учебного материала и тестового контроля. Для достижения данной цели в работе решаются следующие задачи: системный анализ задач организации подготовки персонала промышленных предприятий, методов и моделей структуризации учебного плана и процедур компьютерного тестового контроля; интеграция методов и моделей структуризации учебного материала и процедур тестового контроля; разработка методов и алгоритмов автоматизации процессов формирования индивидуальных учебных планов; методика корректировки учебного плана переподготовки с учетом согласования учебной нагрузки по сложности учебного материала; разработка макета интегрированного программно-технического комплекса системы подготовки индивидуальных учебных планов с учетом индивидуальных качеств обучаемых.^ Методы исследования При разработке формальных моделей компонентов системы переподготовки и аттестации персонала в диссертации использовались методы общей теории систем, случайных процессов, экспертного оценивания и др. ^ Научная новизна Научную новизну работы составляют методы и модели, обеспечивающие автоматизированное формирование индивидуальной образовательной траектории. На защиту выносятся: интеграция методов и моделей структуризации учебного материала и процедур тестового контроля; компетентностная модель обучаемого в системе переподготовки персонала; методика корректировки учебного плана переподготовки с учетом согласования нагрузки по сложности учебного материала; программно-моделирующий комплекс формирования индивидуальных учебных планов.^ Достоверность научных положений, рекомендаций и выводов Обоснованность научных положений, рекомендаций и выводов определяется корректным использованием математического аппарата, согласованностью результатов аналитических и имитационных моделей процессов обучения и компьютерного тестового контроля. Достоверность положений и выводов диссертации подтверждена положительными результатами внедрения работы в ряде крупных промышленных предприятий.^ Практическая ценность и реализация результатов работы Научные результаты, полученные в диссертации, доведены до практического использования в системе переподготовки, повышения квалификации и аттестации кадров для промышленных предприятий. Они представляют непосредственный интерес в области комплексной автоматизации технологических процессов формирования индивидуальных учебных планов и рабочих программ для системы переподготовки. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в системе переподготовки на ряде промышленных предприятий, а также используются при организации учебного процесса на кафедре «АСУ» МАДИ(ГТУ).^ Апробация работы Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение: на Российских, межрегиональных и международных научно-технических конференциях, симпозиумах и семинарах (2004-2009гг.); на заседании кафедры АСУ МАДИ(ТУ). Совокупность научных положений, идей и практических результатов исследований в области автоматизации образовательного процесса составляет актуальное направление в области теоретических и практических методов формирования учебных планов подготовки персонала.^ Содержание работы Структура работы соответствует списку перечисленных задач, содержит описание разработанных методов, моделей и методик.Во введении обосновывается актуальность работы. Отмечается необходимость решения задачи формализации учебных планов и разработки методов и моделей тестового контроля. Сформулирована цель работы и основные задачи. Приведено краткое содержание глав диссертации.^ 1 Анализ методов и моделей структуризации учебной информации в системе переподготовки В первой главе диссертации проводится системный анализ задач, возникающих при организации процессов переподготовки персонала промышленных предприятий. Рассмотрены проблемы автоматизации формирования учебных планов и рабочих программ. Проведен анализ методов и моделей процессов обучения и тестового контроля. Учебный план представляет собой совокупность учебных модулей с учетом последовательности их предъявления обучаемым. За всеми учебными модулями закреплены тестовые задания, объединенные в тесты. С учетом такой привязки статистика результатов тестового контроля может быть использована для динамического формирования учебного плана для каждого обучаемого с использованием его учебных достижений. В диссертации показано, что практически все алгоритмы обработки данных системы подготовки должны быть включены в систему моделирования учебного процесса. Информационная система поддержки обучения для адаптации и реализации функций управления должна иметь модели соответствующих подсистем. Таким образом, система моделирования и информационная система должны представлять единый программно-моделирующий комплекс. Особое место в данной постановке занимает имитационный подход и экспертные процедуры оценивания учебного материала, базирующиеся на теории нечетких множеств.Формирование индивидуального учебного плана Рис. 1. Проведенный в работе анализ показал, что для формализованного представления и структуризации учебных планов и рабочих программ может быть использован анализ связности модулей учебных материалов. Модуль представляет структуру:M={DM, AM, HM, FD}, где DM – наименование модуля; AM – аннотация модуля; HM – объем часов, выделенных на модуль; FD – указатель дисциплины. Терм-множество представляет структуру W=WIWO, где WI – множество входных термов; WO – множество выходных термов. WwWI – терм w принадлежит множеству входных термов; WwWO – терм w принадлежит множеству выходных термов. Входные термы определены как: WIw={DIW, FIW, FIW, UIW}, где DIW – идентификатор терма; FIM – указатель принадлежности модулю; FW – ссылка на терм-источник (для организации синонимии термов); UW – коэффициент усиления (определяет увеличение активности использования). Выходные термы определены как: WOw={DOW, FOW, FOW. ZOW}, где DOW – идентификатор терма; FOM – указатель принадлежности модулю; FOW – ссылка на входные термы; ZOW – коэффициент забываемости. Проведенный в диссертации анализ показал, что адаптивные механизмы предъявления тестовых заданий существенно повышают эффективность тестового контроля. Построение таких процедур основывается на универсальной рекуррентной схеме: (n+1) = F(n)((1),…, (n)) + (n)((1),…, (n)), (1) где (n) – сложность задания на n-ом шаге процедуры; F(n) – некоторое функциональное преобразование результатов ответов; (n)((1),…, (n)) – случайная величина, моделирующая ответ на n-е задание. Данная схема описывает подход к построению множества алгоритмов, различающихся механизмами предъявления заданий и процедурами оценивания. Механизм предъявления дает лишь последовательность заданий различной сложности. Оценивание уровня знаний тестируемого является следующей задачей. В данном случае имеет место два подхода: классификация, когда количество значений оценок тестируемого определено заранее, и оценивание, когда численное значение оценки может быть произвольным. При реализации алгоритмов оценки эффективности учебных планов численная мера оценки может быть основана на понятиях усвоения и забываемости. Рассмотренные выше модели научения имеют самостоятельный характер, но ряд работ посвящен проблеме построения математических моделей, позволяющих объективно сравнить результаты обучаемых, начинающих с разного уровня подготовленности. Так, вводится определение темпа прироста результатов , где u – уровень знаний, x – время. Теоретически бесспорно, что для определенного типа учебной информации, имеющей вполне измеримый предел достижений, темп прироста тем меньше, чем выше уровень обученности. Уменьшение темпа может носить линейный или скорее, нелинейный характер. Одна из моделей основана на решении дифференциального уравнения: , (2) где A, B – два положительных параметра, подлежащие определению в процессе статистической обработки результатов обучения и тестового контроля. В диссертации проведен анализ современных информационных технологий в образовании и рассмотрены компоненты информационно-образовательной среды, представляющие собой системно-организованную совокупность средств передачи данных, информационных ресурсов, протоколов взаимодействия, аппаратно-программного и организационно-методического обеспечения, ориентированную на удовлетворение образовательных потребностей.^ 2 Разработка информационных моделей восприятия и забывания учебной информации Во второй главе диссертации рассматриваются вопросы построения функциональных соотношений описания индивидуальных свойств обучаемого, которые базируются на моделях восприятия и забывания учебной информации. С целью осуществления мониторинга уровня сформированности требуемых характеристик специалиста предлагается использовать комплексный показатель качества психолого-индивидуальных компетенций , где Ka – локальные коэффициенты сформированности профессиональных компетенций, b – число локальных коэффициентов. Психолого-индивидуальные компетенции представляют собой способности, развиваемые в профессиональной деятельности под влиянием мотивации, которая может, как усиливать, так и ослаблять потенциальные задатки специалиста. В этой связи необходимо осуществлять постоянный мониторинг мотивационной направленности. Для определения критериев сформированности проводится тестирование выборки специалистов, успешных в своей деятельности. Для визуализации локальных показателей используется их представление в виде профилограммы, где приняты обозначения: A – коэффициент точности внимания; E – коэффициент продуктивности влияния; Kрасп – коэффициент распределения внимания; Vm – коэффициент объема памяти; Km – коэффициент творческого мышления; Kл – коэффициент логического мышления; Kв Применение такой модели специалиста на основе процессного подхода и методологии «развертывания функции качества» позволяет снизить уровень неопределенности идентификации и мониторинга рассматриваемых компетенций и повысить качество переподготовки специалистов. Если заданы начальные условия дифференциального уравнения (2) u(0)=u0, где положительную величину u можно трактовать как начальную подготовку обучаемого, то, интегрируя уравнение, будем иметь: , A>0, B>0. (3) Таким образом, при достаточно большом количестве проведенных занятий (в этом случае будем считать x), независимо от начальной подготовки i-го обучаемого: u0=0, ui()=Ai/Bi. Отношение Ai/Bi можно трактовать как прогнозируемый предел достижений данного обучаемого. В работе принято дополнительное условие, которое заключается в том, что начальная подготовленность каждого обучаемого не превышает возможного предела достижений: u0A/B. Смысл положительного параметра A: положив u0, . Откуда видно, что параметр A – это темп научения при нулевом уровне подготовленности. Для определения индивидуальных параметров кривой учения – u0, A и B используется общепринятое условие минимума среднеквадратического отклонения теоретических данных от экспериментальных данных. В результате получается выражение: , (4) где {Eik} – совокупность экспериментально найденных объемов научения i-го учащегося, соответствующих периодам 1,2,…,N. Для поиска минимума функции Q(u0, A, B) используются алгоритмы поисковой оптимизации. Предложенная дифференциальная модель использовалась для проверки гипотезы пригодности метода прогнозирования конечных результатов обучения. Если на основании экспериментальных кривых обучения для совокупности учащихся идентифицированы соответствующие каждому из них пары (A1, B1), (A2, B2),…, (AR, BR), где R – количество учащихся в группе и начальной подготовленности каждого соответственно была u10, u20,…, uR0, то трудность в оценке индивидуальных достижений каждого учащегося вызвана их различной начальной подготовленностью. При одинаковой начальной обученности u1(0)=u2(0)=…=uR(0)=u0 знание параметров дает возможность предсказать объем научения у каждого обучающегося в заданный период N. Для обучаемого i объем учебной информации рассчитывается на основании соотношения: , (5) где i – номер испытуемого; u0 – условная начальная точка начальной подготовленности; N – число занятий. В результате оценки индивидуальных свойств формируется функция забывания учебной информации. Для построения модели этой функции в работе выделен ряд характеристических свойств. Пусть G(t)=M(t|S0) – функция научения (забывания), как тренд случайного нестационарного процесса, где S0 – начальный уровень знаний. Предполагается, что функция G(t) непрерывна на всем интервале моделирования. Процесс научения является безинерционным, если t>0 G(t)=0. Это условие выполняется лишь в случае идеальной памяти. Процесс является инерционным, если: t*>0: G(t*)0 и . (6) Условие существования предела выполняется в силу существования стационарного распределения исследуемого процесса. Для процессов научения достаточно типичны монотонные тренды. Свойства монотонности дают возможность исследовать качественные характеристики процессов. Для идентификации функций в работе используется отношение стохастического порядка между случайными величинами 1 и 2 , которое определяется соотношением: , (7) где “” – отношение стохастического порядка; – функции распределения случайных величин 1 и 2. Случайный процесс научения (t) является монотонно возрастающим по t относительно “” при начальных условиях S0, если: . (8) Это свойство также представляет свойство внутренней монотонности процесса. Процесс монотонный – если t1>t2  G(t1) > G(t2). Процесс является монотонно инерционным – если существует интервал (0, t*), на котором G(t) сохраняет значение G(0), а на интервале (t*, ) определен монотонный процесс. Случайный процесс представляет монотонный процесс с запаздыванием, если: t*>0: t(0,t*) ^ G’’(t)>0 t>t* G’’(t) (9) В общем случае, переходный процесс восприятия материала является монотонным процессом с запаздыванием. Для моделирования такого класса процессов в диссертации предлагается использование функций Лагерра, которые представляют ортонормированный базис в пространстве функций с интегрируемым квадратом , где – полином n-ой степени. Для процесса научения и забывания предлагается использовать двухпараметрическую функцию: . (10) Параметр с – определяет временные характеристики затухания процесса, а m – запаздывание процесса. На рис.2. представлен график этого семейства функций для различных порядков полиномов. Так для процесса забывания информации значение m может быть достаточно велико, в то время как для научения оно достаточно мало. Пусть точка tf – точка изменения состояния процесса, т.е. переход от наличия модуля на данном интервале, где использовался терм W, к отсутствию такового, либо, наоборот, от отсутствия к наличию. Тогда рекуррентная схема построения функции забывания имеет вид: . (11) Семейство функций забывания и научения Рис. 2. В то время, как функция научения на заданном интервале до следующего изменения состояния будет определяться: , (12) где cu, mu – показатели функции научения, а cz и mz – показатели функции забывания.Межмодульная функция забывания Рис. 3. В результате, построенная модель позволяет строить кусочно-функциональные зависимости для каждого терма с учетом отсутствия либо наличия его в некоторых учебных модулях на текущий момент времени. Таким образом, на основании построенных моделей каждому терму учебного плана, введенному в некотором модуле на каждый момент времени ставится в соответствие числовое значение определяющее степень его понимания. На основании полученных моделей функции забывания, в работе предлагается использование следующего критерия эффективности учебного плана i Fi(T)max, где Fi(T) – значение функции забывания i-го терма на момент завершения изучения всех модулей T. Это классическая многокритериальная задача. Основой формирования интегрального критерия является свертка всех функций по группам классифицирующих признаков принадлежности модуля некоторому направлению. Каждому направлению присваиваются весовые коэффициенты, которые переносятся на все термы направления. В общем случае в программный комплекс включен ряд известных методов решения многокритериальных задач (метод идеальной точки, метод последовательных уступок и др.). После определения критерия эффективности, появляется возможность сравнения планов, а, следовательно, и возможность построения процедуры оптимизации. Показатели, в данном случае термы, располагаются в порядке их важности f1, f2,…, fn, (предположим, что необходимо максимизировать все функции научения на момент окончания процесса переподготовки). На первом шаге ищется решение , f*1(X*)= f*1.Затем, исходя из практических соображений и точности экспертных оценок (они в данном случае невелики), назначается некоторая уступка f1, на которую согласны эксперты (методисты) для максимизации критерия f*2, т.е. для решения задачи: f2 max, f1>f*1-f1. На втором шаге решается задача: D1={X: XD, f1(X*)=f*1-f1}, (13) Аналогично назначается уступка f1, и ставится новая задача оптимизации. Затем процедура итерационно повторяется для каждого терма в порядке их значимости: Dk={X: XDk-1, fk(X*)=f*k-fk}. (14) Как правило, в окрестности максимума одного критерия функционал относительно другого – квадратичный, поэтому увеличение второго критерия на порядок больше уступки.^ 3 Методика формирования индивидуальных учебных планов В третьей главе диссертации разработана методика формирования индивидуальных учебных планов, используемых в системе подготовки персонала промышленных предприятий. Выполнена формальная декомпозиция инструментальных средств создания связной структуры учебных модулей, определены управляющие и информационные связи, что позволяет сделать систему открытой для включения новых методов, моделей и данных, тем самым сформировать функционал программных приложений. Совместное использование введенных операций при наличии формализованного описания приложений и данных позволяет генерировать программные методики создания учебного контента. Основной из задач индивидуализации является корректировка учебного плана в результате прохождения процедур текущего тестового контроля. Пусть в заданном интервале времени =[0,T], определяющем период переподготовки необходимо изучить N модулей. Пусть модуль представляет тройку (j, rj, fj), где j – длительность изучения, rj0 – учебная нагрузка, fj= fj(t), t[0,T] – ожидаемый эффект повышения активности понимания термов, как функция времени t. Предполагается, что изучение модуля идет непрерывно, однако возможно и параллель с другими. В интервале  выделяем моменты времени 0T1 T2 …  Tm= T, определяющие соответственно интервалы: 1=[ T0,T1], … , i=[ Ti-1,Ti], … , m=[ Tm-1,Tm] (15) Пусть tj – время завершения j-го модуля и соответственно (tj-j) – время его начала. Тогда варьируя временами начала при условии непрерывности каждого модуля будем иметь S={tj(S)} – непосредственно структуру учебного плана. Введем функционал: (16) где gij(tj(S))=rj|i[ tj(S) – j, tj(S)]| – объем нагрузки на интервале i в процессе изучения j-го модуля. Допустимые общие объемы нагрузок на каждом интервале i определяются заданными уровнями g0i , i=1..m. Задача заключается в поиске S={tj(S)}, доставляющая максимальный эффект при ограничениях на величину нагрузки на каждом интервале, что формально записывается: (17) при ограничениях: (18) где g0j(xj)= f0(tj) Сформулированная задача допускает естественное обобщение на случай нескольких информационных учебных составляющих. Кроме того, обычные в теории расписаний ограничения на сроки начала (tj-j)T и сроки завершения tjT легко уточняются посредством введения дополнительных функций fj(tj). Последовательное приближение плана строится, начиная с некоторого начального, в качестве которого берется план, оптимальный по времени изучения сразу всех учебных материалов. При этом метод определения максимального элемента для монотонно-рекурсивных функционалов сводится к следующему: Рассматривается некоторое ограниченное число допустимых последовательностей таких, что объединение их родовых множеств и тех из рассматриваемых последовательностей, которые являются полными допустимыми, в совокупности дает все множество полных допустимых последовательностей. На основе обобщенного принципа оптимальности исключается часть родовых множеств; из рассматриваемых полных допустимых последовательностей оставляются только те, которые дают наибольшее значение функционалу; исключаются из рассмотрения последовательности, для которых родовое множество пусто. Выбирается некоторая допустимая последовательность из числа рассмотренных последовательностей, для которой родовое множество не пусто и не исключалось. Рассматривается некоторое ограниченное число допустимых последовательностей, являющихся продолжением выбранной последовательности и таких, что объединение их родовых множеств и тех из них, которые являются полными, в совокупности дают родовое множество выбранной последовательности. Для множества, состоящего из вновь образованных в п.3. допустимых последовательностей и неисключенных и непродолженных ранее допустимых последовательностей, производятся операции, указанные в п.2. Далее пп.2, 3, 4 циклически повторяются. Если на каком-то этапе процесса решения не останется ни одной допустимой последовательности с непустым или неисключенным родовым множеством, то процесс решения завершен и в качестве решения берется одна из рассмотренных полных допустимых последовательностей с небольшим значением функционала. На каждом этапе процесса решения требуется помнить множество полных последовательностей, остающихся для дальнейшего продолжения. Таким образом, имея полную базу данных методических материалов и тестовых заданий для всех модулей специализации, можно не только сформировать индивидуальный учебный план, но и провести его динамическую корректировку по результатам статистического анализа результатов решения тестовых заданий. Предложена методика подготовки, повышения квалификации и аттестации персонала промышленных предприятий, включающая этапы входного контроля, непосредственно обучения и выходного контроля (Рис.4). Введены операции последовательной реализации учебных элементов «», параллельной «» и обратной связи «F», что позволяет реализовать все приведенные этапы на основе единого универсального механизма. На первом этапе сотруднику предоставляется возможность просмотра краткого содержания, отражающего специфику специальности. В профессиограмме превалируют параллельные несвязные последовательности учебных модулей и тестов, объединенных в блоки ((U1T1)(U2T2)… (UnTn)). В результате сотрудник выбирает определенное направление переподготовки. Входное тестирование осуществляется на основании предъявления тестовых заданий по всем учебным модулям. Во входном контроле основной задачей является выявление уровня знаний по всем модулям выбранной специальности, т.е. определение F(T1T2… Tn). Использование разработанных методов позволяет сформировать индивидуальную программу на основании результатов входного контроля. Третий этап представляет непосредственно обучение, которое заканчивается после изучения всех модулей, закрепляющих теоретические знания и практические навыки выбранного направления переподготовки. Процесс обучения определяется жестким треком последовательного соединения модулей и тестов U1T1U2T2U3U4… Tn. Выходной контроль является четвертым этапом, который представляет единый гетерогенный тест F(T). Использование приведенных операций позволяет формализовать описание программ обучения. Так, профессиограмма предполагает возможность каскадного соединения модулей и тестом и последующим параллельным соединением таких структур: F((U1T1)(U2T2)… (UnTn)), (19) Жесткий трек определяется как каскадное соединение: U1T1U2T2U3U4… Tn, (20) Подобным образом можно организовать различные механизмы организации программ переподготовки.Методика формирования индивидуальных учебных планов Рис. 4. ^ 4  Программная реализация методики генерации индивидуальной образовательной траектории В четвертой главе диссертации разработана система баз данных учебных материалов, тестовых заданий, результатов ответов тестируемых, регистрации обучаемых, закрепления обучаемых за кон