Версия для печати

Файл в формате pdf

УДК 303.732.4

ПРОГНОЗИРОВАНИЕ УЧЕБНЫХ ДОСТИЖЕНИЙ СТУДЕНТОВ НА ОСНОВЕ ОСОБЕННОСТЕЙ ИХ ПОЧЕРКА С ПРИМЕНЕНИЕМ СИСТЕМНО-КОГНИТИВНОГО АНАЛИЗА

Луценко Е.В., – д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет

В статье описываются результаты применения интеллектуальной технологии СК-анализа для прогнозирования учебных достижений учащихся по различным дисциплинам на основе особенностей их почерка.

Традиционно на практике при принятии решения о зачислении абитуриента на обучение в вуз или при определении специализации не используется информация прогнозного характера об их возможных учебных достижениях по различным дисциплинам. А между тем в ряде случаев возможность использования подобной прогнозной информации в качестве дополнительной для принятия решений была бы весьма желательной.

В данной работе предлагается разрабатывать подобные прогнозы на основе анализа генотипа студента по косвенным признакам, на которые он также влияет, как и на учебные достижения, т.е. по признакам почерка. Лучшим будем считать генотип, детерминирующий наивысшие учебные достижения. Здесь необходимо отметить, что в принципе возможны и оправданы и другие критерии оценки качества генотипа, например: успешность и продолжительность практической деятельности по специальности после окончания вуза, однако в данной работе эти вопросы не рассматриваются, так как им посвящена специальная глава в работе [5].

Здесь конечно возникает вопрос о том, насколько конституционные психологические качества студентов, детерминируемые геномом, являются благоприятными для освоения различных учебных дисциплин, предусмотренных образовательным стандартом по тем или иным конкретным специальностям. Однако чтобы получить подобную прогнозную информацию обычно необходимо провести достаточно трудоемкие дополнительные опросы или психологические тестовые испытания учащихся, что проблематично с юридической точки зрения, кроме того, отсутствуют или практически недоступны необходимые для этого локализованные и адаптированные методики и программный инструментарий. Исследования на уровне генома, которые также могли бы дать информацию о том, какие конкретно гены или их сочетания детерминируют высокие учебные достижения студентов по тем или иным дисциплинам, весьма дороги, трудоемки, требуют очень высокого уровня квалификации исследователей, значительного времени и первоклассного оборудования. Все это делает весьма проблематичным и даже практически невозможным проведение подобных исследований в наших условиях.

Поэтому традиционным является отбор абитуриентов для обучения и выбор специализации на основе приемных испытаний и просто договоров на обучение. Этот способ отбора фактически не учитывает индивидуальные предрасположенности и абитуриентов и студентов, обусловленные фундаментальными факторами, а основан лишь на их экономических возможностях и социальных предпочтениях. Обычно это приемлемо, однако существует ряд специальных видов деятельности, предъявляющих к специалистам особо жесткие и высокие требования, где неучет индивидуальных конституционных особенностей может привести к значительным негативным последствиям.

Таким образом, на лицо наличие несоответствия между желаем и фактическим положением дел, т.е. проблемная ситуация или проблема, которая состоит в том, что с одной стороны желательно иметь прогнозную информацию о возможных учебных достижениях абитуриентов или студентов по различным дисциплинам, а с другой стороны нет доступных на практике методик и инструментальных средств, которые обеспечивают получение такой информации.

В работе данная проблема решается путем разработки методики, обеспечивающей на основе непосредственно-наблюдаемых признаков почерка учащихся прогнозирование их учебных достижений.

Идея решения проблемы состоит в том, что генотип абитуриента или студента (далее – учащегося) детерминирует не только его учебные достижения, но и непосредственно внешне наблюдаемые признаки почерка, поэтому между учебными достижениями и признаками почерка должна быть взаимосвязь (рисунок 1).

Предполагается, что, зная эту взаимосвязь, обозначенную на рисунке 1 пунктирной линией, по признакам почерка учащегося можно судить не только о его генотипе, но и его потенциальных учебных достижениях. Признаки почерка устанавливаются непосредственно визуально и их оценка несопоставимо проще, чем непосредственное исследование генотипа.

Поэтому предлагается выявить зависимости между учебными достижениями учащихся и особенностями (признаками) их почерка, а затем по непосредственно-наблюдаемым признакам косвенно оценивать, т.е. по сути, измерять, предрасположенность учащегося к тем или иным учебным достижениям при изучении различных учебных дисциплин. Безусловно, косвенные измерения всегда имеют определенную погрешность, которую необходимо знать и уметь контролировать в каждом конкретном прогнозе.

Правда необходимо отметить, что на признаки почерка, кроме генотипа учащегося, по-видимому, могут оказывать влияние также и другие факторы, например, текущее психофизиологическое и эмоциональное состояние учащегося, зависящее от степени комфортности-экстремальности обстановки, в которой производилась запись.

Эти внешние факторы можно разделить на две основные группы по степени их зависимости от воли человека:

1. Факторы окружающей среды, которые практически не зависят от человека.

2. Технологические факторы самого учебного процесса, связанные с использованием различных учебно-образовательных технологий, которые во многом зависят от человека.

Способ учета влияния всех этих внешних факторов (и факторов среды, и технологических) один и тот же и не отличается от способа выявления и учета зависимостей между особенностями почерка и учебными достижениями учащихся. Это означает, что технически мы могли бы исследовать все эти группы факторов, характеризующие самого учащегося, окружающую среду и учебный процесс в комплексе. Однако в данном исследовании мы этого делать не будем по двум основным причинам:

– первое: в базах данных деканата факультета прикладной информатики (ФПИ) не учитывалась информация о факторах среды и учебного процесса;

– второе: внешние факторы (т.е. факторы среды и учебного процесса) не менялись за время проведения исследования, т.е. за 3 года (2004 - 2006 годы) и для всех учащихся они были одними и теми же. Поэтому даже если бы эти факторы и учитывались, их влияние на учебные достижения и предметную обученность учащихся изучить не представлялось бы возможным из-за практически полного отсутствия вариабельности по этим факторам.

Поэтому в данном исследовании внешними факторами вполне корректно можно пренебречь.

Актуальность работы определяется ее практической значимостью и научной новизной.

Практическая значимость работы определяется возможностью применения ее результатов для прогнозирования успешности обучения абитуриентов и студентов по различным дисциплинам, изучаемым на факультете прикладной информатики (ФПИ) Кубанского государственного аграрного университета (КубГАУ), что может быть использовано в качестве дополнительной информации при принятии решения о зачислении или при выборе специализации. Кроме того материалы исследования могут быть использованы в учебном процессе при проведении лабораторной работы по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе студентами специальности 351400 – Прикладная информатика.

Научная новизна работы состоит в том, что исследование влияния особенностей почерка учащихся на уровень их предметной обученности по дисциплинам, изучаемым на ФПИ КубГАУ проводится впервые.

Таким образом, объектом исследования исследование зависимостей между почерком учащихся и их успеваемостью.

Предмет исследования состоит в выявлении взаимосвязей между особенностями почерка учащихся и их учебными достижениями по дисциплинам, изучаемым на ФПИ КубГАУ.

Цель исследования: выявление зависимостей между особенностями почерка учащихся и их учебными достижениями по дисциплинам, изучаемым на ФПИ КубГАУ, и, на основе этого, разработка методики прогнозирования учебных достижений и предоставления дополнительной информации для принятия решений о зачислении абитуриентов и выборе специализации.

Поставленная цель может быть достигнута путем решения следующих задач:

– задача 1: "Типизация особенностей почерка студентов по уровням их предметной обученности по различным дисциплинам, выявление зависимостей между признаками почерка учащихся и их учебными достижениями";

– задача 2: "Разработка методики прогнозирования уровня предметной обученности студентов ФПИ на основе особенностей их почерка";

– задача 3: "Разработка методики поддержки принятия решений по выбору специализации студентами ФПИ (экономической или юридической) на основе особенностей их почерка ".

Кроме того необходимо разработать принципы оценки эффективности предложенных методик прогнозирования и поддержки принятия решений, а также исследовать ограничения разработанной технологии и обосновать перспективы ее развития.

Для решения сформулированных задач выбран метод системно-когнитивного анализа. Этот выбор обусловлен тем, что данный метод позволяет обрабатывать зашумленные фрагментарные данные и для него есть доступный и апробированный программный инструментарий.

Этапы системно-когнитивного анализа:

-  синтез содержательной информационной модели предметной области;

-  идентификация и прогнозирование состояния объекта управления;

-  углубленный анализ содержательной информационной модели предметной области.

В соответствии с этой технологией были построены две справочные таблицы для кодирования исходной информации (рисунок 2):

– уровни предметной обученности по различным дисциплинам;

– внешне-наблюдаемые признаки почерка.

Классификационные шкалы разработаны на основе журналов успеваемости за исследуемые годы, а описательные шкалы и градации взяты с сайта фирмы: Альянс-медиа "Деловые тесты":

http://www.businesstest.ru/test.asp?test_id=155&topic_id=3

как наиболее технологичные и простые в использовании.

Вопрос о степени адекватности оценок (3, 4, 5) как количественной меры предметной обученности в данной работе не обсуждается, т.к. он подробно исследован в других работах автора [3, 4].

Сами исходные данные взяты из предоставленных деканатом ФПИ личных карточек студентов и журналов успеваемости, содержащих информацию по 260 выпускникам за 3 года: с 2004 по 2006 годы. С использованием классификационных и описательных шкал и градаций произведено кодирование исходных данных. Результаты кодирования представлены в форме EXCEL-таблицы, фрагмент которой представлен на рисунке 3.

Разработан программный интерфейс, обеспечивающий автоматический ввод обучающей выборки из Excel-файла с входной информацией в соответствующие базы данных системы "Эйдос".

Дальнейшие этапы выполнялись с помощью системы «Эйдос» в подсистеме синтеза и анализа семантической информационной модели.

После формирования модели, была измерена средневзвешенная достоверность прогнозирования учебных достижений студентов, данные которых не использовались при синтезе модели. Адекватность прогнозирования составила 65%, что достаточно для целей работы, если учесть, что по подавляющему большинству классов достоверность прогнозирования с использованием созданной модели в несколько раз превышала вероятность случайного угадывания.

Получена матрица информативности с конкретными значениями силы и направления зависимостей между признаками почерка студентов и их учебными достижениями (таблица 1). Это и есть решение задачи 1.

Столбцы этой матрицы соответствуют градациям описательных шкал (признакам почерка), а строки – градациям классификационных шкал, т.е. уровням предметной обученности по различным дисциплинам. Сами же значения элементов матрицы показывают силу и направление связи между особенностями почерка студента и его потенциальными учебными достижениями по тем или иным дисциплинам. Приведен лишь фрагмент этой матрицы из-за ее большой размерности.

На основе полученной матрицы информативности для каждого конкретного студента по признакам его почерка можно прогнозировать его учебные достижения по различным дисциплинам и циклам дисциплин. Результаты прогнозирования выводятся системой "Эйдос" в форме карточек, представленных на рисунках 4 и 5.

В верхней части карточки строки соответствуют классам, с которым данный объект имеет наибольшее сходство, а в нижней – наименьшее.

В данной карточке в верхней части расположены студенты, конкретные образы которых (их почерка), имеют наибольшее сходство с обобщенным образом класса: «Красный диплом», а в нижней – наименьшее.

Примеры типов почерка, наиболее типичных для выпускников с красным и синим диплом, приведены на рисунках 6 и 7.

Весьма характерные и существенные различия в особенностях почерка студентов – наиболее типичных представителей этих двух классов, буквально "бросаются в глаза".

Задача принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы по признакам почерка определяем возможные учебные достижения студентов по различным дисциплинам, то при принятии решений, наоборот, по заданному уровню предметной обученности определяем какими признаками почерка должны обладать студенты, которые имеют эти учебные достижения.

Получен основной результат, отражающий какие признаки почерка характерны для студентов, имеющих заданные учебные достижения, например отличную успеваемость по каким-либо конкретным дисциплинам или по всем дисциплинам, изучаемым на факультете прикладной информатики ("Красный диплом") (таблица 2).

Аналогичные информационные портреты получены по всем классам, которые соответствуют различным уровням предметной обученности по различным дисциплинам, изучаемым на факультете прикладной информатики КубГАУ. Эта информация на усмотрение лиц, принимающих решения, может быть использована в качестве дополнительной при принятии решений по отбору абитуриентов для обучения на факультете прикладной информатики и для определения их специализации по признакам их почерка.

Коротко рассмотрим некоторые ограничения разработанной технологии и перспективы ее развития. Для расширения возможностей прогнозирования учебных достижений студентов считаем целесообразным:

1. Увеличить объем обучающей выборки путем включения в нее данных по студентам, обучающихся на различных курсах, а не только выпускникам; по различным специальностям и на различных факультетах, а не только факультете прикладной информатики.

2. Увеличить справочник классов, включив в него дисциплины, изучаемые на других специальностях и факультетах, а не только факультете прикладной информатики, но и на других факультетах КубГАУ, а также объединить учебные дисциплины в циклы дисциплин в соответствии с образовательным стандартами.

3. Увеличить справочник признаков, включив в них кроме признаков почерка, также признаки, характеризующие социальный статус студентов и их родителей, а также признаки фоторобота, т.е. все группы признаков, которые можно получить непосредственно из документов абитуриентов и студентов не привлекая их самих, например для проведения психологического тестирования.

Поэтому перспективу развития направления, представленного данной работой, мы видим в разработке моделей детерминации предметной обученности по большему количеству учебных дисциплин, чем реализовано в данном исследовании, и учитывающих не только графологические признаки, т.е. признаки почерка, но и признаки социального статуса и фоторобота. В перспективе это позволит прогнозировать учебные  достижения абитуриентов по всем специальностям, по которым производится обучение в КубГАУ, и, возможно, оценивать целесообразность выбора не только той или иной специализации, но и специальности.

Таким образом, в работе получены следующие основные результаты:

– решена задача 1: "Типизация особенностей почерка студентов по уровням их предметной обученности по различным дисциплинам, выявление зависимостей между признаками почерка учащихся и их учебными достижениями";

– решена задача 2: "Разработка методики прогнозирования уровня предметной обученности студентов ФПИ на основе особенностей их почерка";

– решена задача 3: "Разработка методики поддержки принятия решений по выбору специализации студентами ФПИ (экономической или юридической) на основе особенностей их почерка".

Подтверждена возможность эффективного применения технологии и программного инструментария системно-когнитивного анализа – системы «Эйдос» для решения задач прогнозирования учебных достижений студентов на основе особенностей их почерка и поддержки принятия решений по их профориентации. Особенно хотелось бы отметить также то обстоятельство, что несмотря на то, что как все понимают на практике оценки выставляются не только на основании знаний студентов и то, что адекватность оценок как количественной меры предметной обученности вообще вызывают вполне обоснованные сомнения, все же оказалось, что несмотря на это существуют довольно сильные зависимости между особенностями почерка учащихся и их учебными достижениями, правда эти зависимости имеют различную силу для различных дисциплин. В целом особенности почерка, наблюдающиеся у левшей оказались связанными с высокими учебными достижениями. Это подтверждает уже известное в науке положение о том, что среди выдающихся деятелей науки левшей значительно больше, чем в среднем.

Полученные результаты и технологии могут быть применены в практике работы образовательных учреждений в качестве дополнительного источника прогнозной информации об абитуриентах и студентах при принятии решений о приеме и выборе специализации, а также непосредственно в учебном процессе на факультете прикладной информатики в Кубанском государственном аграрном университете при преподавании дисциплины: "Интеллектуальные информационные системы" для студентов очной и заочной форм обучения по специальности: 350400 – прикладная информатика (по областям).

Необходимо отметить также, что задачи прогнозирования учебных достижений студентов и поддержки принятия решений по выбору специализации, на основе выявления зависимостей между графологическими признаками и уровнями предметной обученности на фактических ретроспективных данных в КубГАУ решены впервые.

Литература

1. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.

2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

3. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999. - 318с.

4. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. – Краснодар: ИСТЭК КубГТУ, 2001. – 258с.

5. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар:  КубГАУ. 2002. – 605 с.

6. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". – Краснодар:  КубГАУ. 2004. – 633 с.

7. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография. – Краснодар: КубГАУ. 2005. – 480 с.

Примечание: для удобства читателей эти и другие работы автора размещены на его сайте по адресу: http://lc.kubagro.ru/aidos/eidos.htm