ИНФОРМАЦИОННАЯ ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ В ПРОФОРИЕНТАЦИОННОЙ ПЕДАГОГИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ

М.В.Танюкевич
(Уфимский государственный авиационный технический университет, Россия)

Сложность принятия управленческого решения связана с тем, что лицо, принимающее решение, не имеет релевантной информации об объекте управления ( о том, в каком состоянии он находится, к какому классу относится наблюдаемая ситуация и т.д.), которая позволила бы однозначно определить правильное решение. Получение такой информации либо вообще не представляется возможным, либо требует значительных временных или материальных затрат. Те же сведения, которые есть об объекте в момент принятия решения, хотя в какойто мере и характеризуют объект управления, однако недостаточны для точного определения правильного решения.

Ситуации, когда необходимо принять решение в условиях неопределенности, часто возникают и в педагогике. В настоящее время во многих школах практикуется создание классов с различным уклоном (математическим, гуманитарным и т.д.),что приводит к проблеме распределения детей по таким классам. Для оценки интеллектуальных способностей ученика, в этом случае, обычно используется тестирование. Однако оно затруднено тем, что области значений характеристик тестируемых неизвестны.

Для систем поддержки принятия решений в таких условиях неопределенности разработан алгоритм, в основе которого лежит идея использования прошлого опыта управления системой для выработки текущих рекомендаций. Для этого использовав метод потенциальных функций ЭМБравермана [I], a также метод полного сингулярного разложения матриц, позволивший решить проблему плохой их обусловленности при решении задачи методом наименьших квадратов.

В процессе реального функционирования системы по мере накопления новых знаний об объекте управления производится ее обучение, заключающееся в корректировке вектора параметров потенциальных функций соответствующих классов путем решении системы линейных уравнений. Решение такой системы уравнений производится после добавления в базу данных новых наборов информативных показателей с указанием класса ситуаций, к которому относится набор. С течением времени получаемые в результате решения системы линейных уравнений вектора параметров потенциальных функций сходятся к таким оптимальным векторам, которые обеспечивают максимальную точность классификации.

Одним из наиболее популярных тестов является школьный тест умственного развития (ШТУР), который состоит из 6 субтестов: осведомленность (2 субтеста);

• аналогии;

• классификация;

• обобщение;

• числовые ряды.

При этом, вопросы теста могут быть сгруппированы и по принципу отвесенности к разным группам школьных предметов.

Для проверки возможности применения предлагаемого алгоритма для системы поддержки принятия решения о том, какой класс порекомендовать ученику, использовались результаты тестирования учащихся 10-11 классов по методике ШТУР (тестирование проводилось, когда дети учились в 9 классе) и результаты опроса завуча и учителей школы (им предлагалось разделить учащихся по классам). Общий объем выборки составил 60.

Проведенное тестирование алгоритма показало следующее. 1) С ростом объема выборки улучшается качество классификации (уменьшение числа ошибок), что говорит об успешности процесса обучения системы решения вопроса деления детей на классы; 2) Обучение системы при использование в качестве характеристик ученика показателей по предметам более эффективно: процесс улучшения качества классификации идет стабильнее и быстрее. Предполагается, что это связано с тем, что эти показатели, в отличие от показателей по субтестам, отражают не только умственные способности ученика, но и его интерес к предмету, который немаловажен для успешного его усвоения. 3) Качество классификации зависит от числа интервалов разбиения. При малых объемах выборки качество классификации лучше при малом числе интервалов разбиения. С ростом объема выборки качество классификации становится лучше при большем числе интервалов разбиения. Поэтому вопрос об оптимальном числе интервалов разбиения требует дополнительного исследования.

ЛИТЕРАТУРА

1 .Айзерман М.А., Браверман Э.М., Розоноэр ЛД. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы // Автоматика и телемеханика, 1964.Т.25, №6.С.801-816.