Методика определения функции компетентности эксперта с

Щербатский В.Б.
Кормышев В.М.
Нейроробот для
диагностики
знаний
специалистов
• 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
 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.
Схема экспертной диагностики педагогической ситуации
и определение погрешности этого анализа
Рис5.
Экспертные
решения и оценки
Специа
лист
НЕЙРОРОБОТ
для
определения
характеристик
специалиста
ФК
СУ
ВУЗ, как объект
управления
ФК - функция компетентности, СУ - степень уверенности
Как оценивать
знания специалиста?
Теоретическая подготовка специалиста;
Практический опыт;
Особенности памяти;
Логические способности;
“Инженерное чутье”, интуиция и т.д.
Описывает нечеткий,
качественный характер
экспертных знаний и
заключений. Позволяет
получить объективную
погрешность экспертных
оценок
Для определения функции
компетентности специалиста
РАЗРАБОТАНА
• 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
Математическая модель
специалиста 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

Для паралельного соединения

последовательного соединения

общую
(CК
Т * СК э )   пр   СК Т   СК Э
2
 Э   пр 2   s 2 

Коэффициент корреляции
2
;
2 *  СК Т   СК Э
2
2
;
r  1 /(1   ) ;  (1  r 2 ) / 4 ;
N  1 / 2 ;  t *  .
Здесь
 CК Э , СК Т -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;
r- Коэффициент корреляции для целевой функции ;
Относительная погрешность;
N- Число градаций педагогической ситуации, которые может
различить специалист с помощью целевой функции;
t Энтропийный коэффициет, характеризующий закон
распределения погрешности.

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.
•Практический опыт специалиста
•Профессиональную
подготовленность
(теоретические знания)
На выходе
получаем
коэффициент
корреляции
специалиста,
который
преобразуется в
математическое
ожидание
Гауссовской
функции
распределения
вероятности
Математическая модель
специалиста реализована
с помощью
Нейросетевой технологии, имитирующей
работу человеческого мозга
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.
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
Графическое представление передаточных функций
выходного слоя (эталонов) нейросети для
<идеального> специалиста
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
Если Скэ распределен по гауссовскому закону,
1
 СК 2 Э / 2 2
т.е.: f (СК ) 

,
 2
А СКт следует закону равновероятного
распределения:
0, при _ СКТ  b
 1
f (CKT )  
, при _ b  CKT  c,
c

b

0, при _ СКТ  c
То общая плотность вероятности для СК = F(СКт :
СКэ) может быть определена следующим образом:
f (СК ) 
1   с  СК 
 b  СК 
Ф

Ф




c  b    
  
Уровни компетентности специалиста,
определяемые нейророботом
Относительная
погрешность ,%
Ч
I,
Бит
исло
г
радаций
N
Уровень
компетентности
обучаемого
ЛП
компетентности
обучаемого
0
1
>0,707
Недостаточно
35%
1
2
0,707-0,89
Достаточно
25%
1,6
3
0,891-0,953
Удовлетворительно
16%
2
4
0,953-0,974
Хорошее
12%
2,6
6
0,988-0,99
Очень хорошее
< 8%
3
8
0,99-1,00
Отличное
> 35%
Уровень результатов
обучения
Требуется адаптация или
обучение
Идентификация
Управление,
прогноз,
стабилизация
Оптимизация
Оптимизация с
риском
Оптимизация с риском
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.