Размещено на http://www.allbest.ru/

Оглавление

Введение

1. Обзорно-аналитическая часть

1.1 Обзор методов, используемых для решения задач в области анализа учебных данных

1.2 Анализ решений, применяемых для анализа данных в обучении

1.3 Подбор источников данных используемых в системе

1.4 Выбор инструментальных средств

2. Разработка

2.1 Основные термины и понятия в системе

2.2 Структура базы данных

2.3 Алгоритм сбора данных

2.4 Алгоритм обработки данных

2.5 Вывод результатов пользователю

3. Тестирование и отладка

3.1 Функциональное тестирование

3.2 Тестирование графического интерфейса

3.3 Нагрузочное тестирование

3.4 Комплексное тестирование

4. Охрана труда

4.1 Исследование возможных опасных и вредных факторов при эксплуатации ЭВМ и их влияния на пользователей

4.2 Методы и средства защиты пользователей от воздействия на них опасных и вредных факторов

Заключение

Список литературы

Введение

В настоящее время студенты после окончания вуза часто испытывают сложности при устройстве на работу. Трудности возникают как у выпускников, не имеющих опыта работы, которого так требуют все работодатели, так и у самих работодателей, которые не могут подобрать необходимых молодых специалистов. Как таковых, практических навыков и опыта сразу после выпуска из учебного заведения у студентов нет. Но все же, к концу обучения у выпускников уже есть определенные наработанные навыки, полученные в ходе курсовых работ, практик, дипломной работы и т. д. В чем-то студент может преуспевать лучше, в чем-то хуже, т. е. иметь склонности к определенным направлениям деятельности. При этом работодателю порой сложно оценить навыки студента, основываясь только на дипломе и оценках по дисциплинам, так как это не отражает реальных умений студента-выпускника, показывает общую компетентность по предмету, но не дает понять, чему конкретно научился студент после прослушивания этого курса и как он может это применить, решая определенные задачи. При этом оценки являются достаточно субъективным критерием уровня знаний. Они показывают в основном качественные параметры участия в определенных проектах и выполненных обязанностей, в то время как о количественных характеристиках ничего неизвестно -- что и в каком объеме конкретно студент выполнил в проекте.

Существует устоявшаяся форма выражения умений специалиста в виде резюме. В нем, как правило, описывают основные навыки человека. Но студенты затрудняются в его написании по причине недостатка опыта. Затруднение вызывает собственно выбор профессии и конкретного направления в работе.

Отсюда возникает необходимость рекомендаций студенту относительно резюме, которое он бы мог предоставить работодателю, при этом, еще не имея реального опыта работы в компании, где он бы смог получить заветную строчку в резюме[1].

Для создания резюме нужно опираться на некоторый набор сведений, полученных о студенте в процессе обучения.

В связи с появлением новых методов в образовании, в частности онлайн-обучения, происходит накопление данных, из которых можно извлекать полезную информацию, анализируя их.

Это послужило причиной появления такого относительно молодого течения в дисциплине анализа данных как Educational Data Mining (EDM).

EDM стал бурно развиваться с 2005 года. Этому послужили: во-первых, значимость темы образования, которая актуальна среди всех стран и культур наравне с медициной и здравоохранением, во-вторых, тот факт, что эффективное исследование в образовании теперь не требует квалифицированных сотрудников и офисов, заполненных бумагами. Существуют различные ресурсы с открытыми наборами данных, поэтому присоединиться и начать исследования может каждый.

Основная цель EDM - использование большого количества данных, полученных в образовательном процессе. Наборы данных служат для лучшего понимания и представления информации о процессе обучения. EDM использует в основном данные студентов, оставленные ими в ходе их обучения по курсу. Для исследований могут использоваться различные накопленные данные, такие как: обучающие ресурсы, дискуссионные форумы, электронные журналы оценок, стандартизированные тесты, учебные материалы.

Помимо самих данных, необходимо найти, адаптировать и определить механизмы применения для анализа этих данных.

C ростом требований к отчетности и стандартизации различных тестов возросло и использование различных систем в обучении, а в связи с этим появилось большое количество электронных баз данных активности студентов. Поэтому возникает необходимость в создании вычислительных и статистических фреймворков и других техник для вычленения из этих данных полезной информации[2].

Задачами данной работы являются:

? выявление данных, которые будут использоваться для обработки системой;

? разработка алгоритмов обработки данных;

? разработка интерфейса пользователем, конечным результатом взаимодействия с которым является сгенерированное резюме.

Цель работы - разработать систему автоматизированного создания резюме в соответствии с выбранными алгоритмами и использующую реальные данные.

Работа состоит из обзорно-аналитической части, где проводится исследование аналогов, наработок в данной области, подходов, применяемых при решении такого рода задач. В качестве источников информации для данного исследования выступают и выдержки из статей и аннотации выступлений с конференций по EDM, книги по анализу данных, работы, описывающие подходы к созданию резюме.

Глава, следующая за обзорно-аналитической часть работы - разработка, где описаны алгоритмы, применяемые в системе, описание логики работы программы и детали реализации.

Третья часть дипломной работы - тестирование. В этой главе описываются выбранные методики для проведения функционального и нагрузочного тестирования. Описан подход, использованный для проверки системы при работе с реальными данными и модель, которая была использована при тестировании работы системы с этими данными. Приведены значения всех входных наборов данных, использованных в тестах и соответствующие им полученные результаты.

1. Обзорно-аналитическая часть

1.1 Обзор методов, используемых для решения задач в области анализа учебных данных

Методы, применяемые в анализе учебных данных, могут быть рассмотрены в качестве средства для улучшения учебного процесса. Если программы обучения находятся в разработке, их можно постоянно улучшать, проверяя то, как студенты взаимодействуют с обучающими системами. Применение интеллектуального анализа данных для проектирования образовательных систем является итерационным циклом, который состоит из формирования гипотезы, тестирования и усовершенствования. В первую очередь, положительный эффект это дает самим студентам, которые получают более подходящие методы в обучении, что повышает качество образования[2].

Применение интеллектуального анализа данных для проектирования систем обучения, при самом поверхностном рассмотрении, показано на рис.1.1:

Рис. 1.1. Применение EDM

Далее будут рассмотрены методы интеллектуального анализа данных применительно к обработке учебных данных.

Модель студента

Модель студента - это набор параметров студента, например, представление о знании определенных курсов и пробелах в других. Эти данные система может получить на основании пройденных студентом тестов.

Модель студента играет большую роль в обучающих системах. Она предоставляет информацию об освоении студентом тех или иных областей знаний (это, как правило, оценки, пройденные положительно или отрицательно контрольные мероприятия), что позволяет обучающей системе лучше подстраиваться под конкретного студента. Обучающие системы могут динамически подстраиваться под студента при изменении информации о нем[3].

В данном проекте будет использоваться модель студента, которая включает в себя различные атрибуты: идентификационная информация (имя, фамилия, адрес электронной почты) и оценки студента по тем или иным дисциплинам, которые собственно и будут использованы при анализе успехов студентов при освоении тех или иных навыков.

Визуализация

Визуализация дает понять человеку о специфике каких-то данных в наглядном и легко воспринимаемом виде.

Во многих ситуациях (поиск маршрутов, прогноз погоды) человек пытается извлечь информацию не из текста и таблиц, а используя изображения. Это гораздо быстрее дает понять суть представленной информации, нежели чем при работе с обычными текстовыми или табличными массивами данными. При этом информация воспринимается чисто интуитивно, без необходимости долгого изучения документации.

Пример, показывающий применение визуализации: если возникает ситуация, когда из большого количество чисел необходимо найти минимальное и максимальное, то вместо просмотра каждого числа, можно вывести значения этих чисел на линейных диаграммах, что визуально даст быстро найти минимум и максимум[2]. Рисунок, иллюстрирующий такой подход:

Рис. 1.2. Пример визуализации данных

Визуализация в проекте будет применяться в виде различных диаграмм, иллюстрирующих числовые значения, что будет описано в разделе Разработка. В обучающих системах часто применяется визуализация модели студента. Примером визуализации модели студента является представление умений, знаний студента в определенных областях в виде своеобразного дерева, где форма и цвет фигур, означают знание или незнание каких-то концепций:

Рис. 1.3. Визуализация модели студента

На рисунке изображены, например, языки программирования, черный круг означает, что у этого элемента есть листья. Белый квадрат означает, что студент знает соответствующий элемент, черный - не знает и т.д.[2]

Классификация

Классификация необходима для разбиения всего множества студентов на различные подгруппы в зависимости от их знания, поведения и других параметров. Обучающие системы для выработки рекомендаций, подборки материалов требуют значение текущего состояния знаний у обучающегося. При помощи модели классификации можно выявить степень мотивации обучающегося, а также предсказать будущие результаты прохождения тестов: будут ли они пройдены с положительным и отрицательным результатом.

Процесс классификации состоит из нескольких этапов. Для начала необходимо выбрать алгоритм классификации. Его можно определить вручную, но наиболее общий вариант решения этой задачи - обучение на реальных данных. Для этого способа необходимо выбрать метод классификации. Это могут быть деревья решений, байесовские или нейронные сети. Затем необходимо иметь множество данных, где классы известны. Это множество делится на два подмножества данных: обучающее и тестовое. Обучающее множество является входными данными для обучающегося алгоритма, который произведет после своей работы как результат работы - классификатор, который в дальнейшем будет работать уже с реальными данными. Эффективность классификатора необходимо проверить с помощью тестового множества, где классы определены, на наличие ошибочных классификаций. Если ошибок много, необходимо внести изменения либо в обучающийся алгоритм, либо в метод классификации[4].

В системе автоматизированного создания резюме будут применены алгоритмы классификации. На основе данных о студенте, т.е. модели студента, он будет соотносится с определенной профессией, которая для него будет определяться в качестве наиболее подходящей. Подробнее данный подход будет описан в следующем разделе.

Другие методы

В EDM широко применяются и другие методы интеллектуального анализа данных, такие как последовательности, кластеризация, поиск ассоциативных правил, но в данном проекте нет необходимости их использовать, поэтому подробно рассмотрены они не будут.

1.2 Анализ решений, применяемых для анализа данных в обучении

Далее рассматриваются некоторые решения, применяемые при анализе данных в обучении. Основным источником информации по такого рода системам являются ежегодные конференции по EDM, которые проводятся в разных городах Европы, где рассматриваются новые разработки в этой области: алгоритмы, методики и, что наиболее ценно, в этих работах можно почерпнуть информацию о реально существующих или разрабатываемых системах, которые реализуют те или иные подходы дисциплины EDM.

TeamAnalytics

Этот инструмент предназначен для оценки и динамического представления вклада студентов в проект. Преподаватели не всегда могут видеть и оценить результат работы команды и каждого студента в отдельности, так как обычно проект хранится в Google Docs, Wiki и SVN (Subversion), и для того, чтобы это исследовать, преподавателю необходимо достаточно много времени. Для более простого наблюдения за успеваемостью необходим соответствующий простой в использовании инструмент, TeamAnalitycs -- такой инструмент, собирающий информацию о вкладе участников проекта и команды в целом, который может использоваться преподавателям для оценки эффективности работы. Цель -- не просто ставить одинаковые оценки для всех членов команды, а оценивать вклад каждого участника, проверять прогресс по проекту в любой момент времени.

TeamAnalitycs встроен в систему систему управления обучением Learning Managment System (LMS) Moodle[5]. С помощью этого инструмента собираются данные об изменении, добавлении, удалении страниц в Wiki и Google Docs, а так же статистика об активности в SVN. После сбора данных идет их обработка. Для обработки данных из Wiki используется NLP (Neuro-Linguistic Programming) и машинное обучение. При появлении новых данных запускается программа, которая разбирает документы и на основании автоматического классификатора генерирует распределение страниц по темам. Затем сводная полученная информация отправляется еженедельно преподавателю на почту. Так же они могут просматривать статистику по каждой группе в Moodle в любое время. Помимо информации о вкладах участников команд из Wiki и SVN генерируется

так же дерево страниц Wiki, генерация этого дерева основана на ссылках страниц и их распределении по темам. Делается это для структуризации страниц проекта и удобного просмотра.

Процесс обработки данных состоит в следующем. Данные SVN-сервера забираются каждые 24 часа, так же собирается информация из Wiki и Google Docs с помощью Google API, в случае обработки страниц, программа запускается при каждом их изменении участником команды. Данные складываются в общую базу данных, затем запускается обработчик, которые из этих данных вырабатывает суммарный модуль, который доступен из Moodle.

Классификация страниц на темы по заголовкам и содержанию основана на использовании Labeled LDA(Latent Dirichlet Allocation)[6]. LDA имеет недостаток, который состоит в том, что этот метод не позволяет учитывать семантику слов, а оперирует только самими слова, что в случае наличия шумов (например, неподходящих данных из обсуждений страниц) даст некорректный результат и воспользоваться такими данными будет нельзя.

В результате TeamAnalitycs предоставляет визуализацию документов в виде дерева, сгруппированные по темам, в случае, если страницы Wiki, они связаны ссылками, если это GoogleDocs, то они связываются ссылками при помощи Moodle. В дереве документов показано, сколько раз редактировалась страница, сколько слов было добавлено, сколько ссылок в документе, кто создал документы и т. д. Также представляется недельный отчет - диаграмма, показывающая количество документов по каждой теме, затем такая же диаграмма, но относящаяся к каждому участнику команды отдельно[7].

Группой специалистов был проведен анализ компонент TeamAnalitycs. Преподавателей и менеджеров опросили о важности для них каждой части инструмента. Наиболее полезной для них оказалась информация, полученная из данных SVN (Subversion).

Анализ участия студентов в онлайн курсах и использованием техники социальных сетей

На сегодняшний день, тенденция заключается в увеличении количества курсов с различными электронными обучающими средами, использующими инструменты, такие как Moodle и другие. Накопленные онлайн обсуждения в этих ресурсах влияют на процесс обучения студентов. Эти обсуждения могут содержать огромное количество данных, накопленных в течение месяцев или целых учебных семестров. Из них можно вынести полезную информацию для преподавателей, например, оценку участия студентов в образовательном процессе, что избавит преподавателей от траты большого количества времени на ручную обработку данных, находящихся в обучающих средах.

Чаще всего в обучающих системах есть только статистическая информация о частоте правок, которая не дает полного представления об активности студента. Анализ преподавателями дискуссии студентов вручную чреват ошибками, к тому же на это придется тратить достаточно много времени. Такие традиционные методы, как, например, анализ содержимого позволяют выделить информацию о конкретных участниках. Анализ содержимого поможет понять шаблоны поведения студентов и дать ответы на вопросы: кто и в какие дискуссии вовлечен, кто в них играет активную роль, а кто пассивную.

Для выделения полезной информации из дискуссий используются подход нахождения социальных сетей при помощи анализа содержимого. Здесь может потребоваться поиск подходящих индикаторов для оценки участия и их измерения, используя метод анализа социальных сетей.

Meerkat-ED -- инструмент для анализа взаимодействий студентов в дискуссионных форумах с использованием техник социальных сетей. Этот инструмент собирает и визуализирует информацию из дискуссий, анализирует содержимое сообщений при помощи создания информационной сети терминов и использует анализ сообщества, создает иерархию обсуждаемых тем в форуме, что дает инструктору быстрый доступ к обсуждаемым темам. В дальнейшем этот инструмент показывает, как студенты участвуют в обсуждаемых темах, выводя информацию о количестве сообщений, ответов и порции терминов, используемых студентом в дискуссии.

Социальные сети представляют собой, как правило, множество участников. При этом под участниками в терминологии системы понимаются не только как люди, но и веб-страницы, страны, документы. Могут быть различные типы отношений между участниками -- сотрудничество, дружба, веб-ссылки, цитаты, информационные потоки[8].

1.3 Подбор источников данных используемых в системе

Общие сведения

В качестве источников данных, которые могут некоторым образом быть обработаны и проанализированы, в данной дипломной работе могут выступать: данные, которые хранятся на кафедральном ресурсе auditory.ru, учебные планы, составленные преподавателями кафедры и федеральные государственные образовательные стандарты по соответствующему направлению.

Информация, имеющаяся на кафедральных ресурсах:

1. Форум. Здесь может быть получена полезная информация об активности студентов в тех или иных темах, например, по конкретным дисциплинам и курсам. Это может говорить о том, какие темы наиболее актуальны и интересны для студентов;

2. Wiki. В вики находятся, как правило, отчеты о лабораторных работах студентов и пояснительные записки по курсовым проектам. Известен тот факт, что темы курсовых у студентов очень разнятся, из-за того, что они обладают определенной свободой выбора, определяя свою тему, исходя из своих интересов и желаемого направления деятельности. Анализ страниц вики может дать полезную информацию о том, в чем студент больше практиковался. Это важно, так как такого рода практический опыт зачастую приносит большую пользу, чем большое количество изученного теоретического материала, и может свидетельствовать об определенных успехах студента в той или иной области;

3. LMS Moodle. Здесь находятся оценки по предметам, и некоторые промежуточные оценки по заданиям, которые дают наиболее полную и достоверную картину того, насколько студент преуспел в той или иной области учебного процесса;

4. SVN. Ресурс, который достаточно редко используется студентами на кафедре в связи с популярностью других публичных хранилищ, может дать представление как минимум о наличии навыков работы с системой контроля версий, а потенциально, при более активном использовании этой системы и об активности и вкладе каждого студента в проект, например, по количеству обращений к SVN;

5. Библиотека. Каждый студент в LMS проходит тесты, выполняет различные задания. Если студент завершает задания неудачно по какому-то из курсов, то ему можно предложить восполнить пробелы в знаниях, порекомендовав какие-то курсы и книги, методические пособия или статьи из библиотеки.

Отдельно необходимо выделить учебные программы, государственные стандарты, откуда администратор реализуемой системы может почерпнуть входные данные для нее.

1. Учебные программы. Как правило, они имеют общий формат. Содержат информацию о том, что должен изучить студент за курс (теоретические знания), что должен освоить (практические навыки). Далее описано содержание программы, количество часов, отведенные на лекции, на практические занятия, на семинары и лабораторные работы. Также туда входят часы для самостоятельной работы, состоящие из курсовой, реферата, расчетно-графической работы и других видов работ. Описываются в подробном виде темы и содержание лекций, лабораторных работ. Это очень важная справочная информация, которая будет использована в системе, для определения тех навыков или компетенций (этот термин будет раскрыт дальше, так как он является краеугольным камнем всей системы автоматизированного создания резюме), которые собственно отражают реальные умения, приобретенные студентами в ходе курса. Принципиальное значение могут иметь и часы, которые определяют, насколько долго студенты, занимались тем или иным предметом, а соответственно имели больше или меньше возможностей для освоения компетенций, входящих в этот курс. Факт наличия курсового проекта в учебной программе даст возможность оценить эффективность часов самостоятельной работы по данному курсу. Исходя из системы контроля, можно принять решение относительно механизма расчета успешности прохождения этого курса;

2. Государственные стандарты. В данной работе используются государственные стандарты по направлению “Информатика и вычислительная техника”. На их основе можно определить, какие знания, умения и навыки важны для специалиста в той или иной области, так же в них описан перечень возможных должностей (профессий) для выпускника по этому направлению, но они являются достаточно абстрактными, поэтому в данном случае очень важна квалификация администратора реализуемой системы, который возможно будет выбирать более конкретные профессии, встречающиеся в современных реалиях. В стандарте описаны положения о том, что должен знать и чем владеть выпускник определенной специальности, эту информацию следует совмещать и перерабатывать для формирования компетенций, о которых пойдет речь ниже в пояснительной записке.

В связи с большим количеством данных и многообразием подходов к их обработке в данной дипломной работе будут использованы в качестве источников данных: оценки из LMS и информация, полученной из государственных стандартов, учебных планов и непосредственно от самих пользователей системы.

Использование базы данных LMS Moodle

На кафедре ИКТ на протяжении нескольких лет используется LMS Moodle. Она является достаточно распространенной LMS, поэтому интеграция системы именно с этой системой обучения в данном проекте оправдана. В разрабатываемой системе база данных LMS Moodle используется для получения оценок студентов по отдельным заданиям, а также для подсчета средней оценки за все контрольные мероприятия по некоторому курсу. База данных состоит из примерно 200 таблиц.

Номенклатура для этих таблиц довольно наглядна - они разбиты на группы, объединенные названием, которое легко дает понять, к какой именно области данных относится соответствующая таблица. Например, группа таблиц, отведенных под wiki, объединена названием, где встречается слово wiki.

В разрабатываемой системе используются различные оценки пользователей. Какие-то из этих оценок могут быть внесены самим пользователем, какие-то поступают в систему при выполнения импорта этих данных как раз из базы LMS. Для более точных результатов работы системы желательно наличие оценок за различные промежуточные задания и другие контрольные работы, за которые выставляется оценка, которые хранятся в этой базе. Наличие таких оценок говорит о том, что студент выполнял практические занятия по курсам, тем самым развивая свои знания, умения, навыки на практике, что как раз таки и оценивает реализуемая в проекте система.

При выборке данных задействованы следующие таблицы:

? в таблице mdl_user находится информация о студентах. Для выборки информации о студентах использовались следующие атрибуты из таблицы mdl_user:

_ id - уникальный идентификатор пользователя, необходимый в базе данных системы для осуществления выборки оценок для конкретного студента;

_ firstname - имя;

_ lastname - фамилия;

_ email - электронная почта пользователя, используемая для идентификации пользователей и для формирования резюме;

? для получения информации о курсах в базе данных LMS выбирались следующие атрибуты из таблицы mdl_course:

_ mdl_course.id - идентификатор курса, необходимый в базе данных системы для осуществления выборки оценок для конкретного студента по конкретному курсу;

_ fullname - название курса;

_ shortname - краткое название курса, необходимое из-за того, что на поле fullname не накладывается ограничения целостности unique, поэтому в существующей базе данных появились записи дубликаты, которые относятся к одному и тоже курсу. Идентифицировать их можно только по этим различающимся кратким именам.

? для извлечения информации об оценках пользователей нужно использовать данные из двух таблиц mdl_grade_grades и mdl_grades_items. В рамках разрабатываемой системы используются следующие поля из этих двух таблиц:

_ mdl_grade_grades.rawgrade - минимальная возможная оценка за некоторое задание в LMS;

_ mdl_grade_grades.rawgrademax - максимальная возможная оценка;

_ mdl_grade_grades.rawgrademin - оценка студента за некоторое задание;

_ mdl_grade_grades.itemid - идентификатор задания;

_ mdl_grade_grades.userid - идентификатор пользователя;

_ mdl_grade_items.courseid - идентификатор курса.

1.4 Выбор инструментальных средств

Язык программирования

Разрабатываемая система была спланирована, как набор веб-приложений, которые включают в себя интерфейсы для работы тех или иных пользователей, за которыми стоят модули, используемые, в том числе, для сбора и анализа данных. Такая специфика приложения не накладывает особых ограничений на выбор языка программирования, однако, очевидно, что выбор следует остановить на языке, с максимальными обширными, удобными и гибкими возможностями для веб-разработки.

Второй важный нюанс, который следует учитывать при выборе языка программирования, это относительная производительность тех приложений, которые могут быть написаны на нем, по сравнению с другими языками программирования. Это требования бывает, зачастую, наиболее критичными для веб-приложений, которые должны обслуживать параллельно несколько запросов со стороны пользователей. Тем не менее, для разрабатываемой системы, исходя из ее специфики и предоставляемого функционала, очевидно, что чрезмерного количества обращений в единицу времени ожидать не приходится, а значит, при выборе языка программирования можно пренебречь незначительными преимуществами/недостатками языков программирования с точки зрения производительности.

Опираясь на вышеприведенные тезисы, для разработки можно выбрать интерпретируемый язык программирования, заточенный под веб-разработку. Важно наличие фреймворков, из которых можно выбрать подходящий, который позволит сократить время разработки и сделать приложение более удобным, мобильным и эффективным. Такими языками являются, например, Python, Ruby, PHP.

Для реализации данной системы был выбран язык программирования Python. Это объектно-ориентированный, интерпретируемый язык программирования с динамической типизацией. Одно из его главных достоинств заключается в возможности мобильной разработки приложений: время на разработку приложения можно заметно сократить, при этом незначительно потеряв в производительности.

Среда разработки

В качестве среды разработки была выбрана свободная и открытая IDE Geany. Geany полностью подходит по требованиям к среде разработки:

? Поддержка языка программирования Python - подсветка синтаксиса, автоматическое создание отступов;

? Механизм автодополнения;

? Простой и «легкий» интерфейс, который обеспечивает куда большую скорость разработки, чем более мощные, но при этом более «медлительные» среды разработки вроде Eclipse или NetBeans.

Фреймворк

Для языка программирования Python существует несколько достаточно популярных фреймворков: Pylons, TurboGears, CherrPy. Наиболее широко распространенным и бурно развивающимся является MVC-фреймворк Django, который и был выбран для разработки системы по следующим причинам:

? он является бесплатным и свободно распространяемым;

? он получил достаточно широкое распространение, занимает вполне весомую долю на рынке современных веб-фреймворков: это обуславливает наличие значительного сообщества разработчиков, большого количества статей, наработок и материалов по этой системе;

? Django достаточно бурно развивается: пе риодически появляются новые версии, расширяется базовый функционал, добавляются новые возможности, заявляется поддержка новых библиотек и модулей.

СУБД

Для веб-приложений, зачастую, именно СУБД выступает узким местом, которое ограничивает максимально возможное конкурентное количество запросов, обрабатывающихся системой. Для разрабатываемой системы, во всяком случае, на начальном этапе развития, не предполагается создания значительной базы данных и наличия сложных, регулярных, частых и затратных по времени запросов к базе. Общее количество же запросов в единицу времени, явно не будет являться серьезным препятствием для быстрого и полноценного функционирования система с использованием любой СУБД. То есть, нет смысла использовать дорогие коммерческие решения (MS SQL, DB2, Oracle). А из свободно распространяемых систем (MySQL, PostgreSQL, Firebird) нельзя выделить ту, которая обладала бы значительными преимуществами по сравнению с остальными: все поддерживают базовые стандарты SQL, максимальный физический объем данных не налагают реальных ограничений на базу данных в силу несопоставимости размеров. Было принято решение использовать СУБД MySQL, поддерживаемую Django.

Протокол аутентификации

Система рассчитана на использование пользователями, которые являются так же пользователями LMS Moodle, информация о которых импортируется в базу данных системы, и пользователями, информация о которых там отсутствует. Такими пользователями являются любые другие студенты. Система не предполагает какой-либо регистрации. В тоже время системе необходимо как-то идентифицировать пользователей, различать уже существующих имеющихся и новых. Для идентификации было решено использовать адрес электронной почты. Пользователь, существующий в базе данных LMS Moodle, может ввести всего лишь свой адрес электронной почты и начать работать с системой. Все остальные пользователи могут осуществлять вход с использованием своих учетных записей в социальных сетях. Это необходимо лишь для того, чтобы система могла выбрать определенную информацию о пользователе из его учетной записи - это имя, фамилия и адрес электронной почты, а добавить эту информацию в базу данных систему, для того, чтобы при последующих обращениях к системе, пользователю не приходилось вводить, ранее внесенные данные о своих оценках повторно. Также есть возможность получить информацию об образовании, что можно для формирования соответствующих полей в генерируемом резюме. После аутентификации пользователя, информация о котором отсутствует в базе данных, происходит сохранение этой информации. Все те оценки, которые он введет, будут сохранены в системе и привязаны к его учетной записи. При повторном входе пользователя в систему он сможет увидеть свои ранее введенные данные, и вносить их заново. Это актуально, например, в ситуации, когда внешний пользователь, воспользовавшись услугами разработанной системы, введет набор значений, в котором, однако, не будут указаны оценки по некоторым курсам. Из-за того, что этот курс еще не был пройден студентом или из-за того, что он просто забыл свою оценку на момент первого сеанса работы с системой.

Средства визуализации

В интерфейсе, где пользователю представляются результаты работы программы, используется библиотека для визуализации данных для наглядного представления информации. Это JavaScript библиотека разработанная компанией Google, которая называется Google Chart и которая используется для построения различных графиков и диаграмм, на основе значений, который в качестве параметров соответствующим функциям. В совокупности с системой шаблонов Django, эта система является достаточно мощным, простым и наглядным средством для визуализации данных. Существует огромное количество различных библиотек, которые реализуют тот же самый функционал. Выбор Google Chart (GC) обусловлен следующими факторами:

? это открытые, свободно распространяемые библиотеки;

? компания разработчик - Google, что свидетельствует о тех ресурсах которые были затрачены на разработку решения и соответственно о качестве этого решения;

? для GC предусмотрена исчерпывающая документация, раскрывающая все нюансы использования этого API;

один и тот же набор библиотек применяется для работы с разными вариантами визуального отображения данных.

2. Разработка

Логика работы с данными в системе заключаются в следующем:

1. Сбор данных, часть из которых часть вводит методист, часть необходимо получать из базы данных системы LMS Moodle, какие-то же вводятся непосредственно пользователем при работе с приложением;

2. Обработка и анализ полученных данных;

3. Вывод результата обработки и генерация резюме.

На рис.2.1 изображена схема поток данных.

Рис. 2.1. Поток данных в системе

2.1 Основные термины и понятия в системе

Исходя из специфики программы, в ней приняты ряд терминов и понятий, которые требуют подробного пояснения для дальнейшего описания алгоритмов работы системы:

1. Компетенция - знания, умения, навыки (ЗУН), необходимые для того, чтобы преуспеть в рамках некоторой профессии. Объединены эти знания, умения и навыки в некоторую логическую единицу, которая, как правило, является узкоспециализированной предметной областью, знание которой необходимо для высококвалифицированной работы того или иного специалиста. Значение компетенции - это количественный показатель, показывающий подготовку студента по соответствующим ЗУН. Одна из ключевых промежуточных задач системы, на результате решения которой основана генерация самого резюме - вычисление значений компетенций для студента. Оно рассчитывается в 100-бальной шкале. 100 - максимальная оценка, которая свидетельствует о полном освоении студентом данной компетенции. В любом курсе, по которому проходит обучение студент, может рассматриваться одна или несколько компетенций. При этом одна и та же компетенция может изучаться в нескольких курсах, в расчете значения компетенции этот факт учитывается. Для вычисления значений необходимо занести в систему соответствующую информацию. Некоторые данные в систему заносятся автоматически при синхронизации с базой данных LMS Moodle, некоторые вручную задаются методистом, а какие-то вводит непосредственно пользователь при работе с приложением. Компетенции для каждого курса определяются методистом на основе учебных планов и ФГОСов. Для реализации в рамках данного проекта решено было тестировать работу системы, используя стандарты по направлению “Информатика и вычислительная техника” для подготовки специалистов;

2. Методист (администратор системы) - преподаватель, ассистент или любой другой специалист, участвующий в учебном процессе, обязанности которого при работе с системой будут заключаться во внесении в систему необходимой информации для работы приложения. Для ввода всей информации методист использует административную консоль Django. Через этот интерфейс можно быстро внести всю необходимую информацию в базу данных систему, при этом здесь же можно посмотреть эти данные, выполнить поиск, сортировку и фильтрацию для значений, получаемых из базы;

3. Студент (пользователь) - человек, который будет использовать приложение для генерации своего резюме. В рамках разрабатываемой системы предполагается, что использовать ее будут не только студенты кафедры ИКТ, которые имеют оценки в базе данных LMS Moodle. Воспользоваться разрабатываемым сервисом, сможет любой другой человек, но в таком случае у системы будет меньше данных для обработки, следовательно, результаты могут оказаться не настолько точными, как для студентов кафедры ИКТ;

4. Профессия - основной род занятий, трудовой деятельности. Перечень профессий, также как и компетенций, необходимых для того, чтобы преуспеть в какой-то профессии, вводится методистом на основе ФГОСов с добавлением необходимых, по его мнению, дополнительных профессий. В логике работы системы некоторая профессия из определенного методистом перечня рекомендуется пользователю в его будущей работе. Она будет выведена в генерируемом резюме в качестве желаемой должности, т.е. с точки зрения системы она будет наиболее подходящей, исходя из проведенного анализа;

5. Курс - это дисциплина, которая изучается в вузе. В рамках тестовой работы системы это будут курсы, входящие в программу по направлению “Информатика и вычислительная техника” для специалистов.

6. Программное обеспечение - это программы, языки программирования и прочие системы, которые были изучены в рамках одной или нескольких компетенций. Вносятся в систему методистом на основе учебных планов;

7. Оценки. В разрабатываемой системе существуют несколько типов оценок, относящихся к каждому курсу. Такое разбиение оценок было сделано для того, чтобы учесть значимость каждой из типов оценок в подсчетах системы:

_ Итоговая оценка - оценка, которая выставляется преподавателем за экзамен или зачет по предмету. Эти оценки заносятся студентами в систему при работе с приложением;

_ Средняя оценка - вычисляется на основе оценок за задания в LMS. Является средним арифметическим от всех оценок за тесты по определенному курсу;

_ Оценка по компетенции. Данное понятие основано на существовании такой компетенции, для которой существует задание, результаты которого исчерпывающим образом показывают освоение данной компетенции студентом. Для каждой компетенции методист может назначить идентификатор задания из базы LMS, который будет использован в программе автоматического обновления оценок по компетенциям в системе;

8. Учебные часы. Это часы занятий по определенному курсу. Существуют 4 типа часов, которые задаются в системе методистом, исходя из учебных планов:

_ Лекции;

_ Практические занятия;

_ Лабораторные работы;

_ Самостоятельная подготовка, куда может входить курсовая работа;

9. Взвешенные часы. Вычисляются с учетом коэффициентов влияния типа часов (это лекции, семинары, лабораторные работы, самостоятельная работа) на количество часов, затраченных соответственно на лекции, семинары, лабораторные работы и самостоятельную работу в каждом курсе. Коэффициенты влияния выставляются методистом, значениями по молчанию на этапе разработки и тестирования проекта являются следующие:

Лекции - 0,2;

Семинары - 0,5;

Самостоятельная работа - 0,2;

Самостоятельная работа с включением в нее курсового проекта - 0,7;

Лабораторные работы -1;

10. Взвешенная оценка. Взвешенная оценка для компетенции в курсе учитывает в той или иной степень итоговую, среднюю оценки и оценку за компетенцию. Степень влияния тех или иных оценок на взвешенную, задается методистом для каждой из комбинаций наличия/отсутствия оценок на основе матрицы влияния. Далее представлена матрица влияния с коэффициентами по умолчанию для всех возможных случаев, где в строке указаны комбинации оценок, в столбце - влияние оценки:

Таблица 2.1. Матрица влияния оценок при всех возможных вариантах наличия/отсутствия разных оценок

	0	F	A	C	FA	FC	AC	FAC
F	0	1	0	0	0.3	0.3	0	0.3
A	0	0	1	0	0.7	0	0.3	0
C	0	0	0	1	0	0.7	0.7	0.7

Где:

F - итоговая оценка;

A - средняя оценка;

С - оценка за компетенцию;

FA - итоговая и средняя оценка;

FC - итоговая и оценка за компетенцию;

AC - средняя и оценка за компетенцию;

FAC - итоговая, средняя и оценка за компетенцию.

2.2 Структура базы данных

Работа системы для автоматизированного создания резюме опирается на разработанную модель тех данных, которые необходимы для реализации ее алгоритмов: это информация относительно изучаемых курсов, компетенций, профессий, студентов, оценок и т.д. Для хранения и доступа ко всей этой информации используется база данных, структура которой показана на рисунке:



Рис. 2.2. Структура базы данных

1. Таблица “Студенты” (Students). Заполняется автоматически при синхронизации с базой данных LMS, а так же при входе в систему сторонних пользователей через социальные сети:

o идентификатор - автозаполняемый первичный ключ;

o имя - служит для заполнения резюме;

o фамилия - служит для заполнения резюме;

o адрес электронной почты - по нему производится идентификация пользователя, наличие такого адреса означает, что студент есть в базе данных LMS и потенциально может иметь оценки за задания по курсам;

o идентификатор пользователя из LMS - необходим для выборки из базы LMS при синхронизации средних оценок;

2. Таблица “Курсы” (Courses). Обновляется автоматически из базы LMS Moodle. При этом у этого процесса автоматического обновления есть одна особенность: в базе LMS хранятся много курсов с повторяющимися названиями, что возможно связанно с некорректным вводом информации в LMS. Поэтому в обязанности методиста входит удаление ненужных курсов из базы приложения после синхронизации. Это необходимо только для удобства заполнения, например, компетенций по курсам и другой информации в дальнейшем методистом. Также методист может добавить вручную те курсы, которых не существует в базе LMS. В таблице курсов есть следующие поля:

o идентификатор - автозаполняемый первичный ключ;

o название курса;

o короткое название курса - необходимо для возможности однозначной идентификации курсов, импортированных из LMS в случае наличия там нескольких курсов с одним и тем же полным названием;

o часы лекций - количество лекционных часов по курсу. Эту информацию методист должен взять из учебного плана по соответствующему курсу;

o часы практических занятий;

o часы лабораторных работ;

o часы самостоятельной работы;

o наличие курсового проекта - факт наличия курсового проекта по курсу (значения 0 или 1);

o наличие экзамена - в логике работы системы важно, какая форма контроля предусмотрена для данного курса. Получит ли студент по его итогам некую финальную оценку. Или же это будет просто недифференцированный зачет. Для простоты считается, что зачет с оценкой и экзамен эквивалентны. На логику работы системы это различие не влияет;

o имя GD (Имя Google Document) - это поле было добавлено для реализации в перспективе механизма анализа документов с календарными планами по курсам для, например, автоматического заполнения количества часов по курсу. Эти документы с календарными планами в рамках существующей системы хранятся в системе Google Drive, что обуславливает название поля в базе. В данной версии системы эта функция не реализована;

o идентификатор курса в LMS - поле, необходимое для синхронизации оценок за задания по конкретному курсу из LMS, в результате которого будет подсчитана средняя оценка и занесена в базу системы. Заполняется в процессе синхронизации;

o описание - поле для дополнительной информации о курсе, которую может ввести методист;

3. Таблица “Компетенции” (Competences). Используется для заполнения компетенций методистом. Компетенции заполняются только вручную так же на основе учебных планов. Выборка компетенций достаточно нетривиальная задача и требует от методиста определенных навыков в этом вопросе. Поля таблицы:

o идентификатор - автозаполняемый первичный ключ;

o короткое название;

o полное название;

o описание - поле дополнительной информации о компетенции, которую может ввести методист;

4. Таблица “Компетенции по курсам” (Competences_in_Courses). Таблица для разрешения связи “многие ко многим” Курсов и Компетенций. В курсе может быть несколько компетенций, компетенция может изучаться в нескольких курсах.

o идентификатор - автозаполняемый первичный ключ;

o компетенция;

o курс;

o идентификатор задания по компетенции - это поле используется для того, чтобы методист мог сопоставить этой компетенции задание в LMS, результаты которого показывают освоение данной компетенции студентом;

o вес от общего времени курса (в процентах) - это число от 0 до 100, показывающее какую долю времени от курса изучалась эта компетенция. Значение этого поля используется для подсчета численного значения компетенции. Выставляется методистом;

o полнота изучения навыка в курсе (в процентах) - коэффициент, отражающий полноту изучения компетенции в рамках данного, в отличие от предыдущего - безотносительно часов. Этот коэффициент следует считать, как наиболее достоверный и корректный. При подсчетах в системе значения компетенций, этот параметр является более приоритетным, чем вес от общего времени курсов, поэтому если он заполнен, подсчет ведется с его использованием.

5. Таблица “ПО” (Learnt_Software). В этой таблице находится информация о программном обеспечении по связанной компетенции, то есть ПО, с которым работали студенты в рамках данной компетенции. Таблица реализует связь один ко многим, когда в одной компетенции изучается несколько программных продуктов. Под программными продуктами при этом понимается не только какое-то прикладное ПО, но и языки программирования, среды разработки и т.д. Таблица заполняется методистом на основе учебных планов.

o идентификатор - автозаполняемый первичный ключ;

o название ПО;

o компетенция.

6. Таблица “Профессии” (Professions). В эту таблицу методист заносит профессии по соответствующему направлению обучения на основе ФГОСов и других источников.

o идентификатор - автозаполняемый первичный ключ;

o профессия - название профессия;

o рекомендация - опциональный комментарий, который может внести методист для профессии.

7. Таблица “Компетенции для профессий” (Competences_for_Professions). Здесь реализуется связь многие ко многим для таблиц Компетенции и Профессии. Ее заполняет методист на основе ФГОСов и учебных планов.

o идентификатор - автозаполняемый первичный ключ;

o компетенция;

o профессия;

o важность - этот параметр так же выставляется методистом, он определяет, насколько компетенция важна для профессии: это значение от 1 до 100, при этом для некоторой профессии сумма значений важности по всем компетенциям, которые входят в эту профессию должно быть равно 100.

8. Таблица “Оценки по предметам” (Marks). Таблица отражает данные об итоговых и средних оценках студентов за определенный курс.

o идентификатор - автозаполняемый первичный ключ;

o курс;

o студент;

o итоговая (по 100-бальной шкале) - вводится студентами;

o средняя (по 100-бальной шкале) - высчитывается на основе данных, получаемых в процессе синхронизации из LMS;

9. Таблица “Оценки по компетенциям” (Marks_for_Cometences). Оценка за задание, связанное с определенной компетенцией.

o идентификатор - автозаполняемый первичный ключ;;

o компетенция - для удобства восприятия информации методистом в административной консоли Django в поле “Компетенция” конкатенируются поля компетенции и соответствующего курса, так как одна и та же компетенция может изучаться в различных курсах;

o студент;

o оценка (по 100-бальной шкале) - эта оценка может быть занесена автоматически в базу данных системы, но только в том случае, если методист указал в таблице “Компетенции по курсу” в поле Идентификатор задания в LMS - значение, иначе оценка за него не сможет импортироваться в систему.

10. Таблица “Коэффициенты” (Coefficients). В этой таблице хранится большинство коэффициентов системы. Например, коэффициенты учета тех или иных часов по курсу, при подсчете значения компетенций, коэффициенты влияния различных оценок, частота обновлений из базы LMS. Они вынесены в отдельную таблицу для более гибкой настройки системы под конкретные данные, корректировки для улучшения результатов работы системы, на основе собранной статистики без необходимости править непосредственно исходных код приложения. Заполняется методистом:

o идентификатор - автозаполняемый первичный ключ;

o название коэффициента;

o значение коэффициента;

o описание коэффициента - обязательное поле, в котором хранится расшифровка короткого имени коэффициента и детальное описание смысла данного коэффициента, как и значений, которые он может принимать.

11. Таблица “Апдейты” (Updates). В ней хранится история обновлений курсов, студентов, средних оценок, оценок по компетенциям. Служебная таблица, может использоваться методистом для просмотра последних изменений в базе. Заполняется автоматически после каждого апдейта.

o идентификатор - автозаполняемый первичный ключ;;

o тип обновления - целочисленное поле, которое показывает тип апдейта:

i. 1 - обновление таблицы студентов;

ii. 2 - обновление средних оценок;

iii. 3 - обновление таблицы курсов;

iv. 4 - обновление оценок по компетенциям;

o дата обновления.

2.3 Алгоритм сбора данных

Информация от методиста

Для работы системы на методиста возлагается ответственность за корректное заполнение информации в системе. Все данные, которые нужно будет ввести методисту в систему, следует определять из учебных планов и ФГОСов.

Действия методиста можно разбить на следующие группы:

? Перед импортом данных из LMS:

_ Занесение информации, собранной из учебных планов и ФГОСов;

_ Заполнение коэффициентов программы, в том числе отвечающих за автоматический импорт из базы LMS;

? После импорта данных:

_ Фильтрация данных;

_ Заполнение идентификаторов заданий по компетенциям.

В следующей таблице сведены шаги методиста по введению необходимых данных для работы системы:

Таблица 2.1. Шаги методиста по занесению информации в систему

...