Разработка прогнозирующей модели оптимизации выбора абитуриентом направления подготовки

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

Разработка прогнозирующей модели оптимизации выбора абитуриентом направления подготовки

Болтунов Геннадий Иванович, кандидат технических наук, доцент

Лямин Андрей Владимирович, кандидат технических наук, доцент

Каменев Александр Викторович, аспирант

Рынок образовательных услуг сегодня, особенно в крупных городах, представлен широким спектром высших учебных заведений и разнообразием предлагаемых образовательных продуктов. Качество подготовки специалиста высшим учебным заведением в значительной степени зависит от соответствия уровня знаний абитуриента требованиям и уровню выбираемого им учебного заведения и конкретного направления обучения. Важным аспектом следует также считать мотивы, обусловившие выбор поступающего, материальные и образовательные возможности ВУЗа, ориентация учебного процесса на интересы экономики.

Осознанный и оптимальный выбор абитуриентом направления образования важен как для поступающего, являясь одной из главных предпосылок его дальнейшего успешного обучения и трудоустройства, так и для ВУЗа, способствуя сохранению контингента студентов, повышению качества компетенций выпускников. Важным фактором, стабилизирующим уровень контингента обучающихся, можно считать обоснованную мотивацию поступления абитуриента в данное учебное заведение, базирующуюся на объективной оценке собственных возможностей и условий обучения, которые готов предоставить ВУЗ. Для объективности и оперативности такой оценки необходима специальная автоматизированная система, позволяющая установить интерактивный диалог поступающего и учебного заведения на предварительном этапе принятия решения.

В разрабатываемом программном продукте при регистрации в системе абитуриент вносит свои данные, которые можно специфицировать как обязательные и желаемые.

Со стороны абитуриента требуется прежде всего сформулировать свои мотивации (следует учитывать, что критерии мотивации не все могут быть однозначно определены, в связи с чем, для разработки системы необходимо выбрать существенные и наиболее распространенные). Также необходимо оценить собственные возможности поступления и обучения (результаты ЕГЭ, материальные возможности, наличие или отсутствие дополнительных «бонусов», определить свои потребности по отношению к ВУЗу (возможность получения общежития, стипендии, ее уровень и пр.)

Для работы системы необходимо также наличие комплекса статистических данных со стороны ВУЗа, которые можно дифференцировать как статические и динамические, в т.ч.: перечень специальностей, рейтинг каждой из них по результатам прошлых лет, общее количество мест, в т.ч. бюджетных, стоимость обучения на коммерческой основе, количество поданных заявлений на каждую из специальностей (по данным приемной комиссии). Необходимы статистические данные результатов успешного (не успешного) обучения при определенных входных условиях поступления абитуриентов прошлых лет. Должны быть сформулированы условия и возможности поселения в общежитие, получения стипендий и социальных пакетов для определенных категорий и пр.

На основе полученных данных формируются рекомендации претенденту в части его возможностей поступления и дальнейшего успешного обучения по выбранной специальности. В процессе диалога претенденту также должны быть предложены альтернативные варианты поступления на смежные специальности или на других договорных условиях.

Ставя задачу автоматизации выбора, автором статьи был проведен аналитический обзор существующих на текущий момент методов построения моделей управления образовательным процессом.

В работах [1, 2] предлагается комплекс методов и моделей, позволяющих выявлять характеристики, оказывающие существенное влияние на успешность студентов в их будущей профессиональной деятельности, осуществлять прогноз успеваемости, каждому студенту рекомендовать оптимальное направление профессиональной деятельности после окончания обучения.

Задача выявления существенных характеристик в данных работах решается методами корреляционного анализа. Успеваемость студентов прогнозировалась методами классического регрессионного анализа, регрессионные модели строились на основе метода наименьших квадратов. Характеристики эталонных специалистов определялись экспертным путем. Для каждого студента строились профили, которые сравнивались с эталонными специалистами. Сравнение проводилось методами многомерного анализа. Рекомендации по направлению будущей профессиональной деятельности выводились на основе степени близости реальных и эталонных профилей.

Среди измеряемых и контролируемых характеристик качества подготовки студентов существенное положение занимают показатели их успеваемости. С целью управления образовательным процессом и выявления факторов, на него влияющих, используются математические модели, в основе которых лежит аппарат классического регрессионного анализа. Опираясь на эти модели, строятся прогнозы успеваемости студентов, которые, кроме явной стимулирующей роли в деле улучшения прогнозных оценок, играют существенную роль в улучшении качества образовательного процесса в целом.

В работе [6] осуществляется построение модели эталонного специалиста. Предлагается методика, опирающаяся на опрос работодателей и работающих специалистов с целью выявить и сформулировать комплекс требований к эталонному работнику. Все вопросы авторы предлагают разделить на три группы: первая - вопросы, на которые более квалифицированно могут ответить работодатели; вторая - вопросы, на которые более квалифицированно могут ответить специалисты; третья - вопросы, ответы на которые одинаково квалифицированно могут ответить как работодатели, так и специалисты.

Далее по всем вопросам во всех группах проводятся статистические сводки частот встречающихся ответов. Для каждой группы строиться кортеж, каждый элемент которого представляет собой значение наибольших частот в распределении ответов каждого вопроса. После объединения кортежей построенных для каждой группы вопросов авторы получают эталонную модель специалиста.

В процедурах экспертного оценивания возможность обеспечения одинаковых условий для повторяемых наблюдаемых признаков объективно мала по причине того, что мнения, суждения или качества экспертов вносят в процедуру оценивания субъективный фактор, который меняет условия проведения процедур оценивания и который нельзя не учитывать.

Для решения проблем связанных с анализом качественных данных возможно применение теория нечетких множеств. Нечеткие множества расширили возможности применения классических регрессионных моделей. Под нечеткой линейной многомерной регрессионной моделью принято понимать модель

,

в которой в качестве входных и (или) выходных данных выступают нечеткие числа, а коэффициентами модели могут быть как четкие, так и нечеткие числа.

В работе [3] разработана модель совокупности формализованных характеристик специалиста на основе обратных связей в построенных регрессионных моделях с нечеткой исходной информацией, которая предназначена для сравнительного анализа с реальными характеристиками студентов и последующей выработки корректирующих управляющих рекомендаций.

При разработке модели, помимо полноты и выразительности самой модели, необходимо принимать во внимание затраты, связанные с ее созданием и последующей работой.

Вопросы эффективности регрессионного анализа отчасти решаются разработкой методов с применением эвристических алгоритмов. Эвристические алгоритмы предоставляют возможность добиться значительного выигрыша в производительности при сравнительно небольших потерях в точности модели.

В работе [5] описан способ построения линейных регрессионных моделей, основанный на порождении и выборе признаков. В работе выполнено сравнение предложенных алгоритмов (стохастическая структурная оптимизация, модифицированный метод наименьших углов EM+LARS) с известными алгоритмами. Вычислительный эксперимент показал, что увеличение числа признаков позволяет добиться улучшения качества модели. Результаты экспериментов подтвердили жадность алгоритма LARS и большую эффективность алгоритма EM+LARS по сравнению с LARS. По мнению авторов наилучшими по совокупности критериев являются EM+LARS и алгоритм оптимального прореживания.

По результатам проведенного анализа можно сделать вывод, что для построения эффективной модели принятия решения абитуриентом при выборе направления обучения можно руководствоваться методическими подходами, разработанными в работах [1, 2] для выявления характеристик определяющих успешность студентов. В то же время, в целях обеспечения эффективности работы модели следует применять подход на основе аппарата нечеткой логики в сочетании с использованием эвристических алгоритмов, что позволит не только повысить качество прогнозов модели, но и позволит сократить затраты на его получение.

логика успешность студент обучение

Литература

1. Гусев В.В., Петров В.А. Математическое моделирование профессионального отбора и рационального распределения абитуриентов по специальностям. - Орел.: ВИПС, 1996. - 23 с.

2. Гусев В.В., Петров В.А., Федоренко С.А. Разработка и применение педагогических тестов в образовательном процессе: Методическое пособие. - Орел.:ВИПС, 1997. - 41 с.

3. Комаров Е.Г., Теоретические основы построения автоматизированной системы управления обучением с учетом нечеткой информации // Диссертация на соискание ученой степени доктора технических наук, Москва - 2011. - С. 235.

4. Козлов О.А., Мартынов А.А. Методика использования информационных технологий для построения модели готовности выпускника технического вуза к операторской деятельности // Информатизация образования и науки -2009. - № 1. - С. 92-97.

5. Крымова Е.А., Стрижов В.В. Сравнение эвристических алгоритмов выбора линейных регрессионных моделей // Математические методы распознавания образов. 14-я Всероссийской конференция ММРО-14. Сборник докладов. МАКС~Пресс, 2009 -- 145-148.

6. Цуканов П.А., Серегина М.В., Оценка качества подготовки специалистов // Тезисы докладов конференции ИГЭУ. - Иваново, 2001г.

Размещено на Allbest.ru