Научная деятельность

Новости

Все новости
RSS лента новостей

Ссылки

Литературный конкурс на сайте Александра Костюнина

Союз образовательных сайтов

Версия для печати Версия для печати

Марахтанов А. Г., Варфоломеев А. Г.
Информационная система управления качеством образования

Качество современного высшего образования определяется большим спектром различных параметров. Выявление этих характеристик, а также создание механизмов управления ими позволит повысить качество обучения, уровень подготовки студентов.

Большое влияние на успешность обучения студента в вузе оказывают социально-психологические факторы, такие, как межличностные отношения между студентами группы, социальные условия проживания, знания, навыки, способности учащихся, скорость усвоения ими материала и т. п. При этом период обучения в вузе для студентов является периодом личностного становления и самоопределения, во время обучения формируются профессиональные навыки учащихся. В положительном исходе этих процессов заинтересованы все стороны, вовлеченные в процесс обучения.

Практика показывает, что социально-психологические факторы, наряду с другими, поддаются управлению. К примеру, замечено, что формируемые произвольно группы, обучающиеся на одной специальности и у одних и тех же педагогов, имеют различную успеваемость, которая, к тому же, может резко измениться за время обучения. Оптимизация состава студенческой группы и требований учебного процесса, в зависимости от социально-психологических характеристик учащихся, начиная с этапа формирования студенческой группой, позволяет повысить качество обучения.

Таким образом, возникает задача создания механизма, позволяющего не только анализировать статистические данные об успеваемости учащихся и групп, но и выдавать прогноз о том, как будет изменяться успеваемость каждого студента и группы в целом, используя при этом большой диапазон различных, постоянно обновляемых данных, в том числе данных о социально-психологическом климате в группе.

 Одним из способов решения поставленной задачи является создание открытой интеллектуальной информационно-аналитической системы управления качеством образования.

Ядром такой системы должна стать модель студенческой группы. Из различных существующих, выбран подход к моделированию, основанный на использовании многоагентных моделей и построенных на их основе многоагентных систем (МАС). Ключевым элементом этих систем становится интеллектуальный агент, способный воспринимать ситуацию, принимать решения и коммуницировать (обмениваться сообщениями и ресурсами) с другими объектами. При этом агенты взаимодействуют в определенной среде. Главное отличие МАС от существующих жестко организованных программных систем состоит в наличии нового свойства – способности к самоорганизации [1] [2] [3].

Главным субъектом многоагентной модели студенческой группы должен стать агент-студент (AS). Каждый AS обладает ресурсами трех типов:

Знания каждого из агентов типа AS численно выражаются в виде вектора k {k1, k2, …, kn}, где ki объем знаний, доступный агенту по i-й области знаний.

Денежные средства агента характеризуются числом m > 0 .

Время представляет собою число t > 0, которое пропорционально работоспособности агента. Другими словами, время в нашей системе, это ресурс, который агент может (не обязательно должен) тратить на приобретение знаний или денег.

Агент-студент может пополнять денежные средства и знания, воспользовавшись услугами системных агентов AR (ARM и ARK), которые реализуют функции FARM(t, k) = m (1) и FARK(t, m, i, k old) = dk={0, 0, … dki … , 0} (2) соответственно. По правилу (1) можно получить m денежных средств, затратив время t и имея знания k. В правиле (2) dki – прибавка к знаниям по отрасли знаний i, полученная в результате затраченных денежных средств m и времени t, при наличии знаний k old.

Агент типа AS может получать знания не только от агента-источника знаний, но и от любого другого AS-агента системы. При этом, получить знания от другого AS-агента можно, затратив меньшее время и не расходуя денежных средств. Тем не менее, чтобы воспользоваться такой возможностью, необходимо согласие обоих агентов AS1 и AS2 на обмен знаниями. Агент AS2 согласен поделиться знаниями с AS1, если обладает свободным временем и достаточным объемом знаний по i-й области. Кроме того, на решение об оказании помощи влияет наличие обязательств перед агентом AS1 или негативных воспоминаний (из опыта предыдущих общений).

Каждый AS-агент системы имеет набор характеризующих его свойств, определяющих различные черты агента, например, его коммуникационные возможности, его приоритетные ресурсы, социальное положение в обществе (mpr) и т. д. Значения этих свойств также могут влиять на решение о согласии. Так, к примеру, агент, приоритетным ресурсом которого является свободное время, может отказать в помощи, даже, если остальные условия выполняются. Агент, имеющий альтруистичное отношение к другому агенту, готов помочь в ущерб своим интересам.

Ментальные свойства агентов типа AS включают в себя:

1.                Распределение приоритетов для накопления агентом ресурсов. Представлено вектором r = {rm,rt,rk}, где rm+rt+rk=100% , n – число областей знаний, rm>0,rt>0,rk>0.

2.                Социально-экономический статус. Характеризуется коэффициентом mpr>0, показывающим, насколько много денег тратит агент.

3.                Коммуникационный характер. Определяет характер намерений и отношений агента к другим агентам. В общем случае – одно из 4-х значений: благонамеренный, злонамеренный, эгоистичный или альтруистичный [1]. Каждое из значений определяет, чьи интересы наиболее важны для агента в момент общения. К примеру, для благонамеренного агента важно как достижение своих целей, так и достижение целей партнера по общению, в то время как альтруистичный агент может оказать помощь даже в ущерб себе.

Изначально агент одинаково относится ко всем другим агентам, в соответствии со своим «коммуникационным характером», однако, исходя из опыта общения, он может изменить свое отношение к определенным агентам. К примеру, если агент AS1 часто получал помощь от агента AS2, он не будет к нему злонамеренным, каким должен быть по отношению ко всем другим. В то же время альтруистичный агент не поможет тому, кто подводил его много раз.

Вступая в коммуникационный контакт с агентом AS2, агент AS1 пытается определить его ментальные свойства, а также объем ресурсов, которыми агент AS2 обладает. Однако точных значений он никогда получить не может. Поэтому при выборе одного из агентов системы для общения, агент AS1 может пользоваться только предположениями об этих значениях.

Причина деятельности любого AS-агента в системе – желание осуществить свои цели:

  • Остаться в системе;
  • Сэкономить (накопить) максимум ресурсов, приоритетных для агента.

В определенные промежутки времени агенты системы испытывают воздействия со стороны среды, в которой находятся. Среда порождает процессы, которые требуют наличия у агентов определенного уровня знаний и денег. Если агент не обладает требуемым объемом ресурсов, он покидает систему, то есть не осуществляет своей главной цели. В случае если объем ресурсов больше определенного порога, агент может получить награду. (Например, имея большой объем знаний по ключевым областям, агент получает денежную награду – аналог стипендии).

Существуют различные технологии, позволяющие реализовать многоагентную систему. Большинство сред разработки программ, основанных на многоагентных моделях, соответствуют стандартам FIPA (Foundation for Intelligent Physical Agents) [4]. FIPA стандартизует механизмы коммуникации агентов, транспортировки сообщений, управления агентами, а также определяет абстрактную архитектуру МАС.

Представленная выше модель может быть реализована в соответствии со стандартами FIPA. Однако стандарты FIPA не затрагивают архитектуру и способ реализации отдельного агента, что оставляет разработчикам широкий выбор. Наиболее перспективным представляется использовать смешанную, многоуровневую архитектуру, такую, как InterRap (INTEgration of Reactive behavior and RAtional Plannig) [5]. Главная идея такого подхода состоит в разбиении функциональных возможностей агента на несколько иерархических уровней. Каждый такой уровень взаимодействует с остальными в порядке иерархии. Как правило, выделяют три основных уровня:

Уровень поведения (behavior-based layer) - включает реактивность и методы решения стандартных (простых) задач. В описанной выше модели на этом уровне могут решаться задачи списания денежных средств или пополнения знаний, в результате плановых актов системы и т. п.

Уровень локального планирования (local planning layer) – предоставляет механизм для реализации целеустремленности. Содержит механизм планирования, позволяющий строить локальные планы агента, т. е. индивидуальные планы, не связанные с кооперативным поведением. На этом уровне агент-студент сможет, к примеру, планировать свое время в соответствии с целями.

Уровень совместного планирования (cooperative planning layer) - служит для взаимодействия с другими агентами, или, другими словами, участвует в создании планов совместного поведения агентов для достижения некоторых общих целей, или выполнения ими обязательств перед другими агентами, а также реализации соглашений. Агент AS, не обладая достаточными ресурсами для решения поставленной перед ним проблемы, может обратиться к этому уровню, чтобы воспользоваться ресурсами других агентов в соответствии с правилами модели.

Каждый из уровней взаимодействует с соответствующими уровнями базы знаний агента, одновременно пополняя её.

Однако современная система поддержки принятия решений должна быть построена как открытая система, способная самостоятельно приобретать новые знания и изменять свою структуру и функции, развиваясь и адаптируясь к изменению условий во внешней среде [2]. Это требует от системы наличия механизмов приобретения и использования знаний. Кроме того, необходим механизм обработки и анализа знаний, определяющих состояние агентов в системе, то есть «базы знаний агентов». Поэтому обязательной частью системы управления качеством должны стать такие модули, как «Модуль пополнения базы знаний агентов системы», и «Модуль анализа состояния МАС» (Рис. 1).

Рис. 1. Основные модули системы управления качеством образования

Источниками информации для пополнения базы знаний агентов должны быть такие данные, как:

  • представленные в ИАИС (Информационно-Аналитическая Интегрированная Система управления ВУЗом) данные, отражающие успеваемость студентов (что подразумевает интеграцию системы управления качеством обучения с ИАИС ВУЗа);
  • постоянно пополняемые данные, получаемые в результате опросов студентов.

Механизм опросов студентов предполагает, что, по требованию системы (автоматически) или управленческого  персонала (по запросу) происходит рассылка тестов (доступных через web-интерфейс), ответы на вопросы которых позволяют расширить информацию о ментальном мире агента, моделирующего деятельность конкретного студента. Это могут быть тесты, расширяющие знания о социально-психологических характеристиках каждого студента.

«Модуль анализа состояния МАС», используя базу знаний агентов, должен предоставлять управляющему персоналу (например, сотрудникам деканатов и кафедр) информацию о текущем состоянии моделируемой группы, в доступном для анализа виде (графики, таблицы, отчеты). Полученная информация может стать сигналом для принятия управленческого решения, либо для переопределения состояния системы за счет проведения нового опроса.

Программная реализация описанной выше системы позволит осуществлять оперативное управление студенческими группами, и планируется к использованию в Петрозаводском государственном университете.

 

Список литературы

[1] Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика – М.: УРСС, 2002

[2] Скобелев П. О. Открытые мультиагентные системы для поддержки процессов принятия решений при управлении предприятиями // Известия Самарского научного центра Российской академии наук – 2001 – Т. 3, № 1

[3] А. А. Крижановский. Вопросы реализации проблемно-ориентированных агентов интеграции знаний. // Труды СПИИРАН, т. 1. - СПб: СПИИРАН, 2001

[4] Foundation for Intelligent Physical Agents // http://www.fipa.org

[5] Muller, J.-P., Pischel M. The Agent Architecture InteRRaP: Concept and Application – Berlin: Springer-Verlag - 1993

 

При цитировании ссылка обязательна:
Марахтанов А.Г., Варфоломеев А.Г. Информационная система управления качеством образования. Материалы IV международной научно-технической конференции ИНФОС-2007 (29--30.06.2007, г. Вологда). 2007. С. 118-123.
http://marahtanov.ru/science/publ/2007/30062007.html

Обсудить статью, задать вопросы, высказать замечания и предложения можно на форуме.

Поиск по сайту

Пользовательского поиска

    Мой аккаунт в Twitter: @alikrpk

    Форум

    Последнее сообщение

    Перейти в раздел

    Если нашли ошибку

    Система Orphus


    Статистика

    Rambler's Top100