Система мониторинга компетентности персонала предприятия

Размещено на http: //www. allbest. ru/

Санкт-Петербургский политехнический университет Петра Великого

Система мониторинга компетентности персонала предприятия

Кудаков А.В.

ORCID: 0000-0002-0456-1847

Аннотация

СИСТЕМА МОНИТОРИНГА КОМПЕТЕНТНОСТИ ПЕРСОНАЛА ПРЕДПРИЯТИЯ

Жесткая конкуренция вызывает необходимость непрерывного совершенствования качества продукции и/или услуг, которое непосредственно зависит от уровня компетентности персонала предприятий. В условиях быстро изменяющихся требований к квалификации работников актуальным является формирование системы мониторинга персонала предприятия. В статье рассмотрены особенности разработки автоматизированной системы адаптивного тестирования знаний персонала на основе сервисно-ориентированной архитектуры с использованием моделей, повышающих достоверность оценки компетентности персонала.

Ключевые слова: система менеджмента качества, автоматизированная система тестирования знаний персонала, сервисно-ориентированная архитектура, многоагентные системы.

мониторинг персонал автоматизированный компетентность

Abstract

Kudakov A.V.

ORCID: 0000-0002-0456-1847, Peter the Great St. Petersburg Polytechnic University

SYSTEM FOR MONITORING OF THE COMPETENCE OF ENTERPRISE' PERSONNEL

Tough competition brings to the necessity of continuous improvement of the production/services quality, which is directly related with the level of enterprises' personnel competency. Under the rapidly fluctuated requirements to the qualifications of employees the forming of the System for monitoring of the competence of enterprise' personnel becomes actual. The specifics of the development of automated system for testing of knowledge of the personnel, based on service-oriented architecture with using of models which provide the increasing of validity of the assessment of personnel competency, are considered in the present article.

Keywords: Quality management system, automated system for testing of knowledge of the personnel, service-oriented architecture, multi-agent systems.

На современном этапе развития экономики повышается конкуренция предприятий на внутреннем рынке, усиливается борьба за выход на мировые рынки. К документам, подтверждающим стабильность, надежность и перспективность компании, добавился сертификат соответствия системы менеджмента качества (СМК) требованиям международного стандарта ISO 9001. Грамотное внедрение СМК позволяет повысить управляемость компании, конкурентоспособность, качество продукции и услуг, снизить издержки. Одновременно с повышением требований к качеству выпускаемой продукции и услуг ужесточаются требования к персоналу предприятия.

Очевидно, что для обеспечения выпуска продукции высокого качества компетентность персонала предприятия должна соответствовать определенным требованиям. В современных условиях рыночной экономики эти требования постоянно меняются, необходимо осуществлять постоянный мониторинг компетентности персонала с тем, чтобы выявлять потребности в дополнительном обучении, повышении квалификации, профессиональной переподготовке. Такая система мониторинга является частью СМК и требует соответствующей информационной поддержки.

Целью исследования является разработка автоматизированной системы адаптивного тестирования знаний персонала на основе сервисно-ориентированной архитектуры с использованием моделей, повышающих достоверность оценки компетентности персонала.

Используемые методы устной или письменно-графической проверки компетентности персонала по-прежнему являются частью системного подхода к контролю знаний. Вместе с тем для реализации непрерывного мониторинга уровня знаний требуется автоматизация этого процесса, что обеспечит повышение оперативности, объективности и эффективности контроля [1]. Компьютерное тестирование обладает и некоторыми недостатками, в частности при помощи тестов легче всего проверять формальное овладение структурированным материалом. Сложнее проверить глубинное понимание предмета, способность к рассуждениям и формированию логических цепочек и выводов [2]. Несмотря на эти и другие недостатки, подобные системы являются эффективным технологическим инструментом для измерения уровня знаний и для организации управления выявленными несоответствиями.

Анализируя технологии, используемые для практических реализаций подобных систем, можно сделать вывод, что чаще всего в них применяют те же архитектуры, алгоритмы, программно-инструментальные средства, что и в автоматизированных системах других отраслей. Можно хронологически проследить историю развития систем тестирования знаний, которая началась с «монолитных» систем, установленных на каждом компьютере учебной лаборатории. На смену пришли «клиент-серверные» системы, предполагавшие установку на каждый компьютер клиента, предназначенного для ведения диалога с пользователем и сервера для хранения тестов и результатов тестирования. Современный подход к реализации подобного рода систем предполагает многоуровневую распределенную сервис-ориентированную архитектуру [3]. Логика предметной области реализуется в виде отдельных модулей, которые могут быть как библиотеками методов, так и web-сервисами. Уровень доступа к данным отделяет физическую базу данных от других уровней системы.

В последние годы наблюдается интенсивное применение моделей [4] и методов искусственного интеллекта в системах тестирования. Следует отметить современные тенденции к моделированию и реализации систем тестирования как многоагентных систем. Автором разработана модель генератора выборки тестовых заданий, который использует агентов, реализующих функцию повышения объективности контроля [5]. На основе предложенной модели реализован программный модуль, функции которого заключаются в том, чтобы испытуемому в ходе генерации случайной выборки тестовых заданий не попадались «плохие» задания. Предложена модель нечеткого оценивания знаний на основе диалога с пользователем, в ходе которого он может выразить свою степень уверенности в «правильности» своего ответа на тестовое задание. При оценке качества знаний применяются модели теории распознавания образов. Процесс распознавания состоит в том, что системе предъявляется неизвестный образ (набор признаков), необходимо определить, к какому из эталонных образов он ближе всего относится.

В детерминистском подходе основным методом является проведение между эталонными образами разделительной гиперповерхности. Такой подход требует четкого описания эталонов, чтобы между ними можно было провести разделительную границу. Если эта граница описывается линейными уравнениями, то задача решается просто. Если же разделительная граница имеет нелинейный характер, то задача в большинстве случаев также решается с помощью смены координат Задача не решается в случае перекрытия эталонов, когда по какой-то части координат есть перекрытия и они распространяются на несколько эталонов.

При использовании статистического подхода в распознавании образов используются законы распределения случайных процессов. Наиболее распространенными являются нормальные законы распределения. Такие кривые можно задать функцией плотности вероятности:

,

где m - среднее значение, у2 - дисперсия случайной величины.

Для n-мерного нормального распределения функция плотности вероятности может быть определена как:

.

В этом выражении M - это математическое ожидание многомерного вектора X, а A - обратная матрица ковариаций вектора X, т.е.

,

где V - положительно определённая ковариационная матрица вектора .

В детерминистском подходе используется два метода классификации:

1. Строятся решающие функции для всех эталонов  в виде:

Определяется  и тогда исследуемый образ x причисляется к i эталону , у которого  максимальное.

2. Между эталонами строятся разделяющие границы как

.

Полученное уравнение является разделяющей границей. Если в это уравнение подставить значения искомого образа x, то по знаку образ соотносят к классу i или j.

Эти принципы применимы и для статистического подхода. Весь вопрос только в том, какого уровне описания достаточно. Эталоны описываются в виде точки или массив точек. Иными словами, это признаки

.

Если же массив обширен, и не удается его свести к какой-то математической форме, то применяются статистические аппроксимации, в частности, с использованием алгоритма Роббинса-Монро.

В отличие от этих методов, обучаемые классификаторы образов более автоматизированы. Обучающая выборка может содержать в качестве эталона не один, а несколько образов, к которым предъявляется только одно требование: они не должны входить одновременно в несколько эталонов. В результате формируется вектор весов W разделительной границы. Простым алгоритмом обучения является алгоритм персептрона, который после пополнения всех образов обоих эталонов и умножения одного из них на -1, имеет вид:

где c - положительное корректирующее приращение (обычно равное 1).

Существуют алгоритмы, которые обеспечивают ускоренный процесс поиска удовлетворительного решения и указывают, когда отсутствует разделимость классов.

Многое из теории распознавания образов используется экспертными системами. В экспертных системах обучающая выборка задается экспертом, при этом эксперт может ее изменять. В экспертных системах успешно применяется нечеткая логика. Нечеткие множества допускают перекрытие распознающего объекта со многими эталонами, поэтому больше подходят для диагностики уровня знаний. В теории нечетких логик любая переменная является функцией другой переменной, отражающей истинность основной переменной. Например, класс континуальных логик , основанных на работах Лотфи Заде, где из элементов четкого множества  образуется нечеткое множество A путем использования элементов из X, присваивая им степень принадлежности к множеству A:

.

Автором введено понятие «диагностической» матрицы, определяющей связи между признаками и событиями и позволяющей можно решать задачи синтеза и анализа. Участниками процесса диагностики являются пользователь и эксперт, который определил перечень признаков и событий и установил между ними связь, т.е. создал базу знаний. Модель диагностируемого объекта строится по типу отношения «признак-событие» в лингвистических значениях истинности (ЛЗИ). Далее устанавливаются количественные связи между признаками и событиями. Для выработки заключения необходимо ЛЗИ преобразовать в числовые значения истинности (ЧЗИ). Составление множества диагностических матриц позволяет привлекать экспертов узких специальностей, а объединение матриц в иерархическую структуру позволяет более точно решать многокритериальные задачи. Проведенные автором исследования доказали возможность применения диагностических матриц в задаче оценки компетентности персонала.

Разработана модель автоматизированной системы тестирования знаний на основе сервисно-ориентированной архитектуры, показанную на рисунке 1.

Рисунок 1 Структурная схема системы тестирования на основе сервис-ориентированной архитектуры

Система тестирования в такой модели может включать в себя следующие сервисы:

· сервис управления системой;

· сервис управления тестами, стратегиями и сеансами;

· сервис отчетов и аналитики;

· сервис логики прохождения теста.

Одной из компонент сервиса, реализующего логику прохождения теста, является генератор выборки тестовых заданий, показанный на рисунке 2. Работа генератора заключается в формировании уникальной выборки тестовых заданий для каждого испытуемого. Для решения задачи адаптивного тестирования генератор реализован на принципах агентного подхода, в его состав входят агент качества тестового задания и агент качества теста.

Рисунок 2 Генератор тестовых заданий

Сервисно-ориентированная архитектура рассматриваемой автоматизированной системы тестирования представляет интерфейс, который позволяет интегрировать в нее новые модули. Это позволит выбирать различные стратегии подсчета итогового балла в зависимости от потребностей, которые могут быть реализованы с помощью web-сервисов.

В агенте оценки качества тестов предлагается реализовать нечеткую оценку качества тестов. Оценка качества тестов проводится на основе нечётких понятий (ЛЗИ): «очень плохой», «плохой», «средний», «хороший», «очень хороший». Числовые значения истинности задаются экспертом.

Разработанная автоматизированная система тестирования знаний прошла апробацию и успешно используется в Санкт-Петербургском политехническом университете Петра Великого. За время эксплуатации система претерпела существенные изменения и к настоящему времени эту систему можно охарактеризовать как распределенную и многоуровневую. В системе реализована комплексная модель защиты информации на всех уровнях многоуровневой архитектуры распределенного приложения. В качестве сервера баз данных может быть использован Microsoft SQL Server версии 8 или последующими версиями.

Поскольку система разрабатывается для оценки компетентности персонала как часть СМК предприятия, предполагается, что экспертами, авторами тестов являются представители работодателя, специалисты в предметной области. Однако следует заметить, что данная система ориентирована не только на получение внутренней оценки, она может быть рекомендована для использования в центрах независимой оценки компетентности персонала. В данном случае осуществляется внешняя оценка соответствия квалификации сотрудника тем требованиям, которые установлены к компетенциям сотрудников, занятых в выполнении определенного вида деятельности.

Литература

1. Речинский А.В. Интеллектуальные технологии и представление знаний. Автоматизация творческого процесса: учебное пособие / А.В. Речинский, А.М. Яшин. - СПб: Изд-во Политехн. ун-та, 2010. - 128 с.

2. Гаврилова Т.А., Червинская К.Р., Яшин А.М. Формирование поля знаний на примере психодиагностики // Известия Российской академии наук. «Теория и системы управления», 1988, № 5, с. 72-85.

3. Пырлина И.В. Риски и выбор оптимальных проектов: сервис-ориентированная архитектура информационных систем // Управление большими системами, 2013, № 45, с. 135-175.

4. Моделирование систем и процессов: учебник. / Волкова В.Н., Козлов В.Н. и др.- М.: Изд-во «Юрайт», 2015. - 592 с.

5. Кудаков А.В. Автоматизированная система контроля и оценки знаний // Научно-технические ведомости СПбГПУ. Серия «Информатика. Телекоммуникации, Управление», 2010. Т. 5, № 108, с. 221-229.

Размещено на Allbest.ru