Методы интеллектуального анализа данных при моделировании образовательного процесса в вузе
С помощью искусственных нейронных сетей получение вычислительных моделей связи баллов, полученных студентами на ЕГЭ и успеваемостью студентов на первых курсах. Перспективы применения Data Mining при создании систем поддержки решений и управления вузом.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 19.09.2014 |
| Размер файла | 13,9 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Чувашский государственный университет им. И.Н. Ульянова
Методы интеллектуального анализа данных при моделировании образовательного процесса в вузе
В.С. Абруков
М.В. Петрова
Д.А. Ануфриева
Введение
В декабре 2012 года Правительством РФ утвержден план мероприятий ("дорожная карта") "Изменения в отраслях социальной сферы, направленные на повышение эффективности образования и науки".
По отношению к системе высшего образования План предусматривает, в частности, создание системы оценки качества процесса подготовки бакалавров. вуз вычислительный нейронный сеть
В данной работе была поставлена задача исследования возможностей методов интеллектуального анализа данных - МИАД (Data Mining и, в частности, искусственных нейронных сетей) [1] для решения этой задачи.
Поиск в электронной библиотеке России elibrary.ru показал, что в России примеров применения МИАД при решении подобных задач нет. За рубежом такие примеры есть [2-4]. Примеры применения МИАД при анализе социальных систем не связанных с образованием приведены в [5-7].
Методология исследований
МИАД реализуют «информационный подход» [5] к задачам анализа, моделирования и прогнозирования на основе экспериментальных данных об анализируемой системе. В случае вуза источниками данных могут быть учетные систем вуза; развернутые анкеты-интервью участников образовательного процесса; данные государственной статистики.
Результаты анализа и моделирования образовательного процесса в вузе.
На сайте http://mfi.chuvsu.ru/opros/ размещены анкеты - интервью, заполняемые в режиме он-лайн и содержащие около 100 вопросов по процессу образования в целом и качеству образовательного процесса. Заполнение анкеты занимает примерно 10 минут, несмотря на то, что в ней около 100 вопросов.
К настоящему времени собрано около 500 анкет (около 50000 ответов) студентов факультета прикладной математики, физики и информационных технологий Чувашского государственного университета.
Результаты показывают, что непосредственной линейной связи между баллами ЕГЭ и оценками первой сессии студентов нет и что связь эта существенно не линейна.
Для выявления этой связи были использованы искусственные нейронные сети (ИНС), с помощью которых были построены вычислительные модели, позволяющие по баллам ЕГЭ прогнозировать успеваемость студентов в первую сессию.
В целом можно сделать вывод о том, что средние баллы ЕГЭ не могут служить основанием для определения «эффективности» вуза с точки зрения «качества образования» понимаемого как успеваемость студентов.
Исследовались и другие различные комбинации связей между оценками полученными на экзаменационных сессиях разных семестров. Но четкой связи выявлено не было. Можно отметить только, что связи между оценками, полученными на экзаменационных сессиях 3 и 1 семестров, 4 и 1, 4 и 2 семестров практически нет.
Решение задачи прогнозирования «траектории» качества учебной работы студентов по семестрам требует дополнительного сбора данных.
Работа в настоящее время продолжается в рамках создания системы поддержки принятия решений и управления вузом. В дополнение к данным анкет - интервью планируется собрать данные по финансовому обеспечению образовательного процесса, экспертным оценкам итоговых аттестаций, российскому рейтингу вуза и т.д.
Предполагается решение комплекса задач, например:
- прогнозирование «траектории» учебной и научной работы студентов различных специальностей и направлений подготовки и определение мер способствующих повышению качества учебной и научной работы студентов.
- кластеризация - группировка специальностей и направлений подготовки по качеству приема абитуриентов, качеству учебной и научной работы студентов, уровню востребованности выпускников различных специальностей и направлений подготовки.
- создание многофакторных вычислительных моделей для таких целевых функций, как: качество учебы по курсам и качество выпускных квалификационных работ, степень удовлетворенности участников процесса образования и т.п.
- решение обратных задач, например, какой должен быть абитуриент чтобы получить 5 по всем дисциплинам на первой сессии, учится на 4 и 5 в первые четыре семестра, устроится на работу с зарплатой более 30000 рублей в течение 1 года после выпуска, стать кандидатом наук, получить грант РФФИ на 3 году после защиты диссертации, какой должна быть зарплата доцента, чтобы 50% выпускников работали по специальности и т.п.
Мы приглашаем студентов, аспирантов и преподавателей вузов России к совместной работе.
Литература
1. Абруков В.С., Ефремов Л.Г., Кощеев И.Г. Новые подходы к разработке моделей системы поддержки принятия решений и управления вузом // Вестник Чувашского университета. 2013. № 1. С. 224 - 229.
2. Goyal M. Applications of Data Mining in Higher Education // International journal of computer science. 2012. 9 (2). P. 113.
3. Kovacic Z.J. Predicting student success by mining enrolment data // Journal of research in higher education. 2012. 15. P. 54.
4. Ranjan J. Effective educational process: a data-mining approach // Journal of information and knowledge management systems. 2007. 37 (4). P. 502.
5. Абруков В.С., Николаева Я.Г. Количественные и качественные методы: соединяем и властвуем! // СОЦИС. Москва. 2010. N 1. С. 142-145.
6. Абруков В.С., Николаева Я.Г., Макаров Д.Н., Сергеев А.А., Карлович Е.В. Применение средств интеллектуального анализа данных (Data Mining) для исследования неполно определенных систем // Вестник Чувашского университета. № 2. 2008. С. 233-241.
7. Славутская Е.В., Абруков В.С., Славутский Л.А. Интеллектуальный анализ данных психодиагностикишкольников предподрoсткового возраста // Вестник Чувашского университета. 2012. № 3. С. 226 - 231.
Размещено на Allbest.ru
...Подобные документы
Основы для проведения кластеризации. Использование Data Mining как способа "обнаружения знаний в базах данных". Выбор алгоритмов кластеризации. Получение данных из хранилища базы данных дистанционного практикума. Кластеризация студентов и задач.
курсовая работа [728,4 K], добавлен 10.07.2017Описание функциональных возможностей технологии Data Mining как процессов обнаружения неизвестных данных. Изучение систем вывода ассоциативных правил и механизмов нейросетевых алгоритмов. Описание алгоритмов кластеризации и сфер применения Data Mining.
контрольная работа [208,4 K], добавлен 14.06.2013Создание структуры интеллектуального анализа данных. Дерево решений. Характеристики кластера, определение групп объектов или событий. Линейная и логистическая регрессии. Правила ассоциативных решений. Алгоритм Байеса. Анализ с помощью нейронной сети.
контрольная работа [2,0 M], добавлен 13.06.2014Перспективные направления анализа данных: анализ текстовой информации, интеллектуальный анализ данных. Анализ структурированной информации, хранящейся в базах данных. Процесс анализа текстовых документов. Особенности предварительной обработки данных.
реферат [443,2 K], добавлен 13.02.2014Совершенствование технологий записи и хранения данных. Специфика современных требований к переработке информационных данных. Концепция шаблонов, отражающих фрагменты многоаспектных взаимоотношений в данных в основе современной технологии Data Mining.
контрольная работа [565,6 K], добавлен 02.09.2010Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011Data mining, developmental history of data mining and knowledge discovery. Technological elements and methods of data mining. Steps in knowledge discovery. Change and deviation detection. Related disciplines, information retrieval and text extraction.
доклад [25,3 K], добавлен 16.06.2012Анализ проблем, возникающих при применении методов и алгоритмов кластеризации. Основные алгоритмы разбиения на кластеры. Программа RapidMiner как среда для машинного обучения и анализа данных. Оценка качества кластеризации с помощью методов Data Mining.
курсовая работа [3,9 M], добавлен 22.10.2012Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Задача анализа деловой активности, факторы, влияющие на принятие решений. Современные информационные технологии и нейронные сети: принципы их работы. Исследование применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
дипломная работа [955,3 K], добавлен 06.11.2011Data Mining как процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). Его закономерности и этапы реализации, история разработки данной технологии, оценка преимуществ и недостатков, возможности.
эссе [36,8 K], добавлен 17.12.2014Классификация задач DataMining. Создание отчетов и итогов. Возможности Data Miner в Statistica. Задача классификации, кластеризации и регрессии. Средства анализа Statistica Data Miner. Суть задачи поиск ассоциативных правил. Анализ предикторов выживания.
курсовая работа [3,2 M], добавлен 19.05.2011Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017OLAP как автоматизированные технологии сложного (многомерного) анализа данных, Data mining - извлечение данных, интеллектуальный анализ. Виды запросов к многомерной базе данных, их содержание и анализ полученных результатов. Схема "звезда", "снежинка".
презентация [132,1 K], добавлен 19.08.2013Алгоритмы кластеризации данных, отбора факторов, построения множественной линейной регрессии, оценки параметров процесса на скользящем постоянном интервале. Решение задач анализа данных на нейронных сетях и результаты моделирования нелинейных функций.
контрольная работа [1,5 M], добавлен 11.01.2016Понятие сетей Петри, их применение и возможности. Сетевое планирование, математические модели с использованием сетей Петри. Применение сетевых моделей для описания параллельных процессов. Моделирование процесса обучения с помощью вложенных сетей Петри.
курсовая работа [1,0 M], добавлен 17.11.2009Определение и виды модели, ее отличие от понятия моделирования. Формула искусственного нейрона. Структура передачи сигнала между нейронами. Способность искусственных нейронных сетей к обучению и переобучению. Особенности их применения в финансовой сфере.
реферат [136,2 K], добавлен 25.04.2016Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.
курсовая работа [1,5 M], добавлен 15.10.2012Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.
контрольная работа [135,5 K], добавлен 30.11.2015
