Нейросетевые алгоритмы компьютерного контроля знаний: разработка и исследование

• Автор: Титов, Алексей Михайлович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 174 с. : ил.

Введение.

Глава 1.Обзор Современных алгоритмов компьютерного контроля знаний.

I. I .Функции контроля знаний.

1.2.Алгоритмы контроля знаний.

1.2.1 .Метод дерева событий.

1.2.2.Предметно критериальная методика составления тестов.

1.2.3.Метод определения количества образовательной информации.

1.2.4.Информационногенстичсские алгоритмы

1.2.5. Модель Раша

1.2.6.Абсолютная временная шкала измерения знаний.

1.2.7.Методика статистического анализа качества обучении.

1.2.8.Модель адаптивного тестового контроля.
1.2.9.Нейросетсвая технология контроля знаний.
1.2Обучеиие нейронной сети
1.3.Практическое применение компьютерного контроля знаний.
1.3Л.Российский опыт применения систем компьютерного обучения.
1.3.2.3арубежный опыт.
1.4.Краткий обзор существующих систем компьютерного обучения
1.4.1.Системы с открытым исходным кодом.
1.4.2.Коммерческие системы
1.4.3.Отечественные разработки
1.4.4.Системы тестирования и оценки знаний
1.4.5.Универсальиые авторские среды.
1.4.6.Сетевые авторские инструментальные средства.
1.5.Краткие выводы по главе 1.
Глава 2.Мстоды повышения надежности нсйросстевого алгоритма компьютерного контроля знаний.
2.1 .Использование генетических алгоритмов для генерации обучающей последовательности и оптимизации топологии нейронной сети, предназначенной для компьютерного контроля знаний.
2.1.1 .Представление данных для генетического алгоритма.
2.1 .Инициализация генетического алгоритма.
2.1.3.Методы отбора особей в генетических алгоритмах
2.1.4.Методы создания новых особен в генетических алгоритмах
2.1.5.Функция приспособленности в генетических алгоритмах.
2.1 .б.Условия завершения работы генетического алгоритма
2.1.7.Параллельная обработка данных в генетических алгоритмах.
2.1.8.Модификации генетического алгоритма.
2.1.9.Пути повышения эффективности работ ы генетического алгоритма
2.1Матсматичсскме методы, сходные с генетическими алгоритмами.
2.1. .Эволюционные алгоритмы в нейронных сетях
2.1.2.Генетический алгоритм формировании обучающей последовательности для нейронной сети .
2.2.Алгоритм генерации объяснения результатов работы нейронной сети при помощи показателей контекстной важности и утилитарности
2.3.Краткие выводы по главе 2.ПО
Глава З.Программная реализация системы анализа и синтеза стандартизированных и ненросетсвых алгоритмов компьютерного контроля знаний.
3.1.Используемые программные средства и технологии .
3.1.1.Язык про1раммирования v.
3.1.2.Технология i v
3.1.3.Библиотека реализации нейронных сетей
З.М.Библиотека реализации генетических алгоритмов ЮАР
3.2.Принципы функционирования системы ДИАНИС.
З.З.Основные экранные формы и подсистемы.
3.4.Система управления тестированием.
3.4.1.Создание систем оценок.
3.4.2.Создание курсов
3.4.3.Создание тем.
3.4.4.Создлние тестов
3.4.5.Система тестирования.
3.5.Использование системы управления тестированием.
3.5.1 .Создание теста
3.5.2.Управление данными об обучаемых
3.6.Прохождение тестирования.
3.7.Краткис выводы по главе
Глава 4.Экспсриментальные данные
4.1.Общие сведения о проведнном эксперименте
4.2.Оптимизация топологии нейронной сети.
4.3.Результаты компьютерного контроля знаний.
4.4.Сравнение эффективности стандартизированного и нейросетевого алгоритмов
4.5.Краткие выводы по главе
Основные результаты и выводы
Список литературы


Приведены различные варианты совместного использования ГА и НС, в частности для решения задач выбора топологии и обучения НС. Показано, что задача генерации обучающей последовательности сводится к задаче оптимизации. Сформулировано важное свойство тестирования, определяющее специфику ККЗ по сравнению с другими задачами. На основании этого свойства, а также анализа предметной области определены способ кодирования решений и функция приспособленности ФП для задачи формирования обучающей последовательности. Приведена общая схема работы алгоритма генерации обучающей последовательности на основе ГА. Приведен алгоритм анализа НС, позволяющий строить систему нечтких высказываний для получения объяснений по классификации объектов. Проведена адаптация данного алгоритма к задаче ККЗ и аналогичным задачам. Приведены примеры объяснения решений, принятых НС. В третьей главе рассматриваются вопросы практической реализации алгоритмов, разработанных и описанных в предыдущих главах. ДИАНИС. Рассмотрены основные программные технологии такие как v, 2, , использованные при разработке данной программной системы. Четвртая глава посвящена экспериментальным исследованиям алгоритмов, разработанных и реализованных в предыдущих главах. При помощи разработанных алгоритмов посредством системы ДИАНИС создан курс, заполнена база вопросов и создана обучающая последовательность из образов, классифицированных преподавателем. По сформированной обучающей последовательности была обучена НС. Топология сети была оптимизирована при помощи ГА. Среди студентов 5го курса Московского института радиотехники, электроники и автоматики технического университета был проведн ККЗ. Произведено сравнение процента оценок, корректно выставленных нейросстевым алгоритмом, в котором НС обучалась по последовательности, созданной при помощи разработанного алгоритма, и стандартизированным алгоритмом. Было также произведено сравнение процента оценок, корректно выставленных нейросстевым алгоритмом, в котором НС обучалась по последовательности, созданной при помощи разработанного алгоритма, и нейросстевым алгоритмом, в котором НС обучалась по последовательности, созданной без применения разработанного алгоритма созданной преподавателем или сформированной случайным образом. Произведено также сравнение процента оценок, корректно выставленных НС с оптимизированной топологией, и НС с неоптимизированной топологией. Был построен график обучения НС с оптимизированной топологией, обученной по последовательности, созданной при помощи разработанного алгоритма. Приведены результаты ККЗ, а также объяснения решений, принятых НС, относительно уровня подготовки некоторых студентов. Анализ полученных результатов показал, что предлагаемые алгоритмы оптимизации топологии НС и генерации обучающей последовательности увеличивают процент совпадений оценок, выставленных преподавателем и НС, и, в то же время, минимизируют число образов, оцениваемых преподавателем для настройки НС. ГЛАВА 1. Контроль знаний можно определить как операцию по установлению, насколько некоторый обучаемый испытуемый удовлетворяет квалификационному требованию. Контроль знаний проводится согласно установленным признакам контроля. Состояние знаний обучаемого испытуемого определяется но совокупности этих признаков. Действительные значения признаков могут быть измерены, подсчитаны или оценены . Контроль имеет нормативный характер, он выступает как важнейший фактор организации индивидуальной деятельности обучаемого и совместной учебной деятельности группы обучаемых. Но для того, чтобы контроль стал реальным фактором управления, его необходимо правильно организовать. В процессе организации определяется и выбирается оптимальное сочетание разнообразных форм, видов и способов контроля с учетом особенностей конкретных учебных ситуаций, общих целей и ограничений, налагаемых на систему обучения . Наиболее важной функцией контроля знаний, навыков и умений является обнаружение достижений и успехов учащихся, а также указание путей совершенствования и углубления знаний.