авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 3 | 4 ||

«mИркутский государственный университет путей сообщения Институт информационных технологий и моделирования ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО ...»

-- [ Страница 5 ] --

Модель создается ради исследований, которые на реальном объекте проводить либо невозможно, либо дорого. Модели можно условно разде лить на две группы: материальные и идеальные, и, соответственно, разли чать предметное и абстрактное моделирование. Основными разновидно стями предметного моделирования являются физическое и аналоговое мо делирование. Аналоговое моделирование основано на замене исходного объекта объектом другой физической природы, обладающим аналогичным поведением. Колебания и резонанс можно изучать и с помощью механиче ских систем, и с помощью электрических цепей. При аналоговом модели ровании важно увидеть в объекте-заменителе нужные черты, и правильно их интерпретировать.

Процесс моделирования предполагает наличие объекта исследования;

исследователя, перед которым поставлена конкретная задача;

модели, соз даваемой для получения информации об объекте и необходимой для реше ния поставленной задачи. Причем по отношению к модели исследователь является, по сути дела, экспериментатором, только в данном случае экспе римент проводится не с реальным объектом, а с его моделью. Такой экспе римент для инженера есть инструмент непосредственного решения орга низационно-технических задач.

Надо иметь в виду, что любой эксперимент может иметь существен ное значение в конкретной области науки только при специальной его об работке и обобщении. Единичный эксперимент никогда не может быть решающим для подтверждения гипотезы, проверки теории. Компьютерное моделирование позволяет до натурных испытаний определить основные параметры и направления развития исследуемых объектов.

На этапе макропроектировании системы моделирования важен выбор параметров разрабатываемой модели с целью создания ее максимально приближенной к физической среде. Это необходимо, так как эксперимент проводится в рамках имитационного моделирования. Успех данного под хода зависит от правильного проведения формализации и алгоритмизации реальных явлений. Общий подход к решению задачи приведен на рисунке 1.

Рис.1. Алгоритм компьютерного исследования модели Постановка задачи. Необходимо разработать компьютерную модель позволяющую производить различные опыты, основанные на разных ма тематических моделях поведения объектов с заданной целью в подводной среде. В данной статье будет рассмотрена конкретная задача: существует набор из нескольких десятков подводных роботов (преследователей). Дан ные роботы представляют простые устройства, способные менять горизон тальные и вертикальные углы наклона (тангаж, рыскание) с определенной инерцией. Также есть ведущий объект намного больший по размерам и инерционным показателям. Назовем его объект-цель, он произвольно вы бирает курс и скорость своего движения. У него небольшой максимальный угол вертикального наклона. Каждый объект имеет минимальное расстоя ние, на которое может приблизиться к другому объекту. Роботы преследователи имеют скорость намного больше скорости лидирующего объекта. Их основная цель заключается в том, чтобы из произвольного по ложения и расстояния от ведущего объекта подойти к нему на фиксиро ванную позицию и начать произвольное движение по траектории, лежащей на его поверхности.

Из постановки задачи выделим основные параметры объектов:

• имеют различные максимальные скорости движения и могут изме нять их вплоть до остановки.

• изменять вертикальные и горизонтальные углы положения с опреде ленной угловой скоростью.

• имеют виртуальную замкнутую поверхность, описывающую тополо гию формы объекта, попадание в область которой других объектов недо пустимо.

Рассмотрим один из вариантов решения поставленной задачи.

На рисунке 2 показана раскадровка движения объектов в горизонталь ной плоскости. Набор {П1, П2, П3, П4} представляет этапы движения пре следующего объекта, а набор {О1, О2, О3, О4} объекта-цели преследования.

Стрелками указаны векторы скорости текущего положения. Как видно из рисунка преследующий объект стремится занять позицию рядом с главным объектом. Это достигается выбором «идеальных» параметров, на которые ориентируются преследователи. ПИ это позиция, которую пытаются занять все роботы. Она расположена по вектору движения главного объекта на расстоянии R1+R2, где R1и R2 радиусы ограничивающей сферы объекта преследователя и главного объекта соответственно.

Рис. 2. Схема движения объектов Решающим фактором является выбор вектора направления движения.

Если преследователь значительно удален от цели преследования, то выби рается вектор коллинеарный с вектором проходящим через точку М и центр П1 – VН. По мере приближения к цели вектор стремиться стать кол линеарным с Vк. Данный вектор совпадает с вектором движения главного объекта. То есть происходит интерполяция между вектором VН и Vк в за висимости от расстояния между объектами. Коэффициент перехода может варьироваться программно, что позволяет оперативно менять степень ре акции на приближение объектов. При сближении скорость преследовате лей также уменьшается до скорости ведущего объекта пропорционально расстоянию между объектами.

Мотивация выбора «идеального» положения (ПИ) впереди главного объекта вместо его центра обоснована тем, что после проведения ряда тес тов выяснилось – объекты, оказавшиеся впереди, начинают резко развора чиваться. А при выборе смещенной цели данного эффекта не наблюдается, так как она становиться недостижимой из-за снижения скорости.

Для разработки системы была выбрана RAD среда Borland C++ Builder. Она позволяет быстро разрабатывать визуальные приложения. На бор визуальных компонентов помогает контролировать и изменять пара метры исследуемой модели. Объектно-ориентированный подход опреде лил архитектуру всего приложения и моделируемых объектов в частности.

Была определена спецификация параметров объектов в синтаксисе языка С++ и набор функций, позволяющий гибко настраивать и изменять модель.

Немаловажным фактором является визуализация результатов экспе римента. Но в данном случае интерес представляет именно процесс дви жения объектов наряду с итоговым построением. Поэтому было принято решение представить это движение в трехмерном пространстве. Различные графические библиотеки позволяют визуализировать результаты исследо ваний и наглядно представлять ход проведения опыта.

Для данной системы была выбрана графическая библиотека DirectX 8.1. В ее состав входит набор функций для работы с векторами и трехмер ными поверхностями. Совместно со структурированным выводом объек тов на графический процессор можно довольно не сложно организовать работу математической модели.

На рисунке 3 представлен кадр результатов визуальной обработки те кущего состояния модели. Положение преследующих объектов обозначено небольшими по размеру сферами. Направление в горизонтальном и верти кальном пространстве показаны светлыми окружностями на этих сферах.

Линиями указаны вектора направления движения объектов, более темный это направление по которому стремиться двигаться робот, светлый – теку щий вектор движения. Ведущий объект представлен трехмерной моделью подводной лодки, изменяющей свое положение согласно вектору направ ления движения. Большой сферой представлена ограничивающая область подлодки, одновременно являющейся поверхностью, по которой выстраи ваются другие объекты.

Как видно из рисунка, преследующие объекты достигли главного объ екта и начали параллельное движение вместе с ним с согласованной скоро стью. Одновременно производя произвольные движения в пределах огра ничивающей поверхности.

Рис. 3. Визуальное представление движения объектов В заключение можно сказать, что была разработана и создана компь ютерная модель, позволяющая опробовать различные математические мо дели поведения роботов в подводной среде. Был проведен ряд тестовых запусков при различных начальных условиях. В результате проведенных экспериментов были скорректированы исходные модели и условия работы моделирующей системы.

Литература 1. Колесов Ю.Б., Сениченков Ю.Б. Моделирование систем. Динамические и гиб ридные системы. Учебное пособие. – СПб.: БХВ-Петербург, 2006. – 224 с.: ил.

2. Колесов Ю.Б. Объектно-ориентированное моделирование сложных динамиче ских систем. – СПб.: Изд-во СПбГПУ, 2004. – 240 с.

3. Советов Б.Я., Яковлев С.А. Моделирование систем: Учеб. для вузов — 3-е изд., перераб. и доп. — М.: Высш. шк., 2001. — 343 с: ил.

4. Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. Практическое моделирование динамических систем. – СПб.: БХВ-Петербург, 2002. – 464 с.: ил.

5. Christos G. Cassandras. “Introduction to Discrete Event Systems”, Springer sci ence+business media, inc, 6. B. Hrz and M.C. Zhou. Modeling and Control of Discrete-event Dynamic Systems, Springer-Verlag London Limited, 7. C. Chung. Simulation Modeling Handbook. A Practical Approach, 8. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Д. Приемы объектно ориентированного проектирования. Паттерны Проектирования. – СПб: Питер, 2006. – 366 с.: ил.

9. Шамис В. Borland C++ Builder 5: учебный курс. – СПб.: Питер, 2002. – 688 с. ил.

10. Адамс Д. DirectX: продвинутая анимация / Пер. с англ. – М.: КУДИЦ-ОБРАЗ, 2004. – 480 с. ил.

11. Мейерс С. Эффективное использование STL. Библиотека программиста. – СПб.:

Питер, 2002. – 224 с.: ил.

УДК 681.3.06: И. П. Медведева, Г. П. Бояркина ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ ДИСТАНЦИОННОГО ОБУЧЕНИЯ В ПРЕПОДАВАНИИ КУРСА « МАТЕМАТИКА АБИТУРИЕНТУ»

В настоящее время Интернет-технологии широко внедряются в систе му образования России. Значительная часть учащихся старших классов ввиду территориальной отдаленности от Иркутского государственного университета путей сообщения или большой загруженности в учебном процессе не могут посещать очные подготовительные курсы по математи ке. Заочное обучение более эффективно при применении дистанционных образовательных технологий. Это обусловило необходимость разработки данной учебной программы.

Курс предназначен для учащихся старших классов, слушателей подготовительных курсов.

Основная цель курса заключается в оказании помощи абитуриентам и старшеклассникам при самостоятельной подготовке к сдаче Единого Го сударственного Экзамена (ЕГЭ).

Учебный процесс организуется в сетевом варианте. Для его проведе ния разработан сетевой учебно-методический и информационный ком плекс, который включает в себя учебную программу, учебно методическое пособие, базу тестовых заданий (тесты для самопроверки, промежуточное и итоговое тестирование).

Порядок изучения каждой темы предполагает самостоятельную ра боту с теоретическим материалом курса, электронные консультации и тес тирование. В курсе также предусмотрены электронные семинары (ЭС), электронные консультации (ЭК), самостоятельная работа (СР), промежуточ ное тестирование (ПТ), письменная контрольная работа (КР), итоговое тес тирование (ИТ), контрольные работы и итоговая работа.

Виды учебных занятий по темам курса № Формы обучения и Наименование тем тем контроля Арифметика, проценты, пропорция. Алгебраические 1. ПТ,СР,ЭК преобразования.

2. Рациональные уравнения. Системы уравнений. ПТ,СР,ЭК 3. Рациональные неравенства. ПТ,СР,ЭК 4. Текстовые задачи. ПТ,СР,ЭК, КР № 5. Прогрессии. ПТ,СР,ЭК Алгебраические уравнения и неравенства, содержащие 6. ПТ,СР,ЭК модуль.

Линейные и квадратные уравнения и неравенства с па 7. ПТ,СР,ЭК, КР № 2, раметром.

8. Иррациональные уравнения и неравенства. ПТ,СР,ЭК, КР № 9. Тригонометрические уравнения и неравенства. ПТ,СР,ЭК, КР № 10. Показательные уравнения и неравенства. ПТ,СР,ЭК, КР № 11. Логарифмические уравнения и неравенства. ПТ,СР,ЭК, КР № 12. Планиметрия. ПТ,СР,ЭК 13. Стереометрия. ПТ,СР,ЭК,КР № 14. Дифференцирование функции. ПТ,СР,ЭК 15. Репетиционная экзаменационная работа. ИТ В соответствии с методическим руководством слушатели самостоя тельно изучают учебный материал, размещенный в виртуальном предста вительстве Иркутского государственного университета путей сообщения.

В процессе обучения каждый слушатель имеет возможность консультиро ваться по электронной почте по возникающим проблемам с ведущим пре подавателем - тьютором. Промежуточный контроль знаний проводится по средством тестирования по темам курса. На сайте выставлен календарный план, в котором для конкретного слушателя указаны сроки изучения ма териала и мероприятия по каждой теме.

Теоретическая часть изучается самостоятельно путем доступа в электронную библиотеку после выполнения всех процедур по регистрации учащегося. В процессе обучения слушатель может задавать вопросы тью тору по электронной почте ("электронная консультация"). Семинары про водятся в режимах on-line (ЧАТ) и off-line (форум). В курсе предусмотре ны пять семинарских занятий, которые проводятся, как правило, по зара нее подготовленным вопросам. Кроме того, на семинаре возможно обсуж дение вопросов, которые возникли у слушателей в процессе самостоятель ного изучения теоретической части курса. Последний семинар является одновременно консультацией по выполнению итоговой работы.

После изучения каждой темы курса слушатель должен пройти проме жуточное тестирование. После изучения материала отдельных тем слуша тель выполняет контрольные работы в сроки, указанные на доске объявле ний, оформляет их в тетради и высылает тьютору для проверки. Положи тельные результаты по всем тестированиям и контрольным работам явля ются допуском к выполнению итоговой работы.

Одним из ключевым принципов, лежащих в основе технологий созда ния электронных курсов, является концепция гипертекста.

Содержание оформлено в виде гипертекста по основным 14 темам. От крывая каждую тему, видим более подробное содержание.

Структура каждого блока по любому разделу имеет вид:

-краткое изложение теоретического материала -решение примеров. Здесь же предусмотрена самопроверка, которая содержит 4-5 примеров.

-упражнения для самостоятельной работы -пробное тестирование. Здесь же предусмотрена самопроверка, кото рая содержит 4-5 примеров.

-контрольная работа, если она предусмотрена по данной теме.

Заключительный этап изучения курса завершается репетиционной эк заменационной работой (итоговое тестирование), в которой слушатели де монстрируют практические навыки использования полученных знаний.

Данный курс был опробован на подготовительных курсах ИрГУПС и в старших классах лицея №36 в течение 2006-08 учебных годов.

УДК 378. В.В. Михаэлис, В.С. Самсонов ИЗУЧЕНИЕ КАЧЕСТВА ПОДГОТОВКИ БУДУЩИХ СПЕЦИАЛИСТОВ ПРИ ОБУЧЕНИИ В ИНФОРМАЦИОННО ОБРАЗОВАТЕЛЬНОЙ СРЕДЕ В период становления и развития информационного общества про исходят коренные изменения условий функционирования образовательных учреждений, вызывающие необходимость пересмотреть некоторые тради ционные подходы к организации учебного процесса и используемым педа гогическим технологиям. Изменения в характере образования все более ориентируют его на свободное развитие человека, на творческую инициа тиву, самостоятельность обучаемых, конкурентоспособность, мобильность будущих специалистов [1].

Согласно положениям Федеральной целевой программы «Электрон ная Россия» [2], «Концепции модернизация российского образования на период до 2010 года» [5], сегодня нужны такие методы обучения, которые бы облегчали и ускоряли передачу знаний учащимся, активизировали про цесс усвоения ими знаний, обучали их приемам самостоятельной работы с учебным материалом, повышали производительность учебного труда уча щегося и педагога. Использование специальных программных средств по зволит придать информации такую форму, благодаря которой она лучше воспринимается или делается более пригодной в тех или иных конкретных целях. Достижению этих целей может способствовать создание информа ционно-образовательной среды учебного заведения.

Информационно-образовательная среда – это многоаспектная реаль ность, включающая современные технологии обучения и программно методические средства обучения, построенные на основе компьютерных информационных технологий, позволяющая повышать качество общетео ретической и профессиональной подготовки будущих специалистов, спо собствующая формированию информационной культуры учащихся и сту дентов и успешной адаптации выпускников к жизни в информационном обществе. Такая среда поддерживает процесс самостоятельного поиска, постановки задач и нахождения путей их решения как для учащихся и сту дентов, так и преподавателей, а также предоставляет возможность непре рывного роста обучающихся в общеобразовательном и профессиональном планах [3].

Цели создания информационно-образовательной среды:

- повышение и укрепление интереса учащихся и студентов к инфор матике, повышение познавательного интереса к компьютерным техноло гиям;

- повышение творческой и познавательной активности по предметам общеобразовательного и специального циклов;

- формирование информационной культуры личности учащихся и студентов;

- успешная адаптация выпускников к жизни в информационном об ществе, результат - сформированность профессиональных и предметных компе тенций, мотивов учения, труда, интереса, самостоятельности, ответственности, информационной культуры личности учащихся и студентов.

Процедура оценки качества профессиональной подготовки будущих специалистов в рамках обучения в информационно-образовательной среде может включать:

1) оценку знаний и умений учащихся и студентов, полученную в ре зультате текущих испытаний;

2) профессиональное самосознание и профессиональная направлен ность личности;

3) уровень сформированности информационной культуры;

4) анализ заключений работодателей о качестве подготовки выпуск ников.

Мониторингу, как технологической основе информационного обеспе чения качества личностного развития, социализации и профессионального становления, отводится первостепенная роль. Педагогический мониторинг определен нами как система сбора, обработки, анализа, хранения, распро странения информации о результатах деятельности педагогической систе мы, обеспечивающая непрерывное отслеживание ее состояния, своевре менную корректировку и прогнозирование развития.

Наряду с процессом обучения, значительную роль играет процесс воспитания, поскольку перед профессиональным образованием стоит зада ча подготовить не только компетентного специалиста, но, прежде всего личность, стремящуюся к профессиональному росту и развитию. От того, насколько будут мобильны внутренние силы человека, насколько будет ак тивна его деятельность, высок уровень профессионального самосознания и профессиональной направленности, зависит продуктивность деятельности самого человека, а, следовательно, предприятия, на котором он работает.

Для определения профессионального самосознания используем ме тодику диагностики локуса контроля. В психологии под локусом контроля (понятие предложено американским психологом Д. Роттером) понимается качество, которое характеризует склонность человека приписывать ответ ственность за результаты своей деятельности внешним силам (внешний локус контроля, экстернальный) или собственным способностям и усилиям (внутренний локус контроля, интернальный).

Для процесса формирования будущих специалистов большое значе ние имеет знание уровня профессиональной направленности. Направлен ность представляет собой вектор и ориентированность побудителя. Она непосредственно связана с объектом, на который направлена деятельность.

Профессиональная направленность – важное интегральное качество лич ности, которое определяет отношение человека к профессии. Она придает всей учебно-трудовой деятельности учащегося глубокий личностный смысл, резко повышает тем самым качество усвоения профессиональных знаний, умений, навыков. Уровень профессиональной направленности – высокий или низкий – определяется характером и силой выраженности ее составляющих. Такими составляющими являются:

- система ориентаций, связанных с профессиональными устремле ниями человека;

- профессиональные интересы, выражающие личную приязнь к кон кретному виду труда, имеющему для человека эмоциональную привлека тельность;

- отношение личности к профессии.

Профессиональная направленность учащихся тесно связана с таким по нятием как профессиональная мотивация. Профессиональная мотивация – это действие конкретных побуждений, которые обусловливают выбор профессии и продолжительное выполнение обязанностей, связанных с этой профессией.

Информационная культура – часть базисной культуры личности, ха рактеризующая информационную сферу жизнедеятельности человека и включающая: совокупность знаний, умений и навыков работы с информа ционными источниками;

наличие творческого подхода в сфере информа ционной деятельности, позволяющего эффективно работать при поиске, передаче, получении информации;

умение на этой базе генерировать каче ственно новую информацию [4]. Информационную культуру рассматрива ем как достигаемый уровень организации информационных процессов, как удовлетворенность людей в информационном общении, как степень эф фективности создания, сбора, хранения, переработки, передачи и исполь зования информации.

Уровень требований работодателей к выпускникам сегодня высокий.

Само время диктует: на рабочих местах должны быть специалисты высо кой квалификации, желательно со смежными профессиями. Работодатели ждут высококвалифицированного, технически компетентного, дисципли нированного работника. Основной характеристикой специалиста высокой квалификации являются широкие общеобразовательные, общетехнические и профессиональные знания, навыки и умения, обеспечивающие успешное выполнение им сложной трудовой деятельности и дающие ему возмож ность легко ориентироваться в производстве и в любой новой производст венной обстановке, овладевать новыми знаниями, навыками и умениями, необходимыми для исполнения все усложняющихся и изменяющихся тру довых функций.

Изучение динамики указанных качеств личности позволит оценить качество обучения в условиях созданной информационно-образовательной среды.

Литература 1. Зимняя И.А. Ключевые компетенции – новая парадигма результата образова ния/ И.А. Зимняя// Высшее образование сегодня. - 2003. - №5. – С.34- 2. Концепция модернизации российского образования на период до 2010 года [Электронный ресурс]. – URL: http://www.hse.ru/science/modern_ed/ 3. Михаэлис В.В. Информационно-образовательная среда учреждений началь ного профессионального образования как фактор повышения качества подготовки выпускников: автореф. дис. … канд.пед.наук/В.В. Михаэлис. – Чита, 2009. – 24 с.

4. Михаэлис С.И. Активизация формирования информационной культуры сту дентов в процессе самостоятельной учебной деятельности: автореф. дис. … канд.пед.наук/С.И. Михаэлис. – Улан-Удэ, 2006. – 26 с.

5. Федеральная целевая программа «Электронная Россия (2002-2010 годы)» [Элек тронный ресурс]. – URL: http://www.mdi.ru/encycl.php?RubricID= УДК 004. Ю.И. Петров НЕКОТОРЫЕ ПОДХОДЫ К МОДЕЛИРОВАНИЮ ОБУЧАЕМОГО Интенсивное развитие коммуникационных и информационных технологий и их активное использование в учебном процессе уже привели к некоторым изменениям в системе образования, затронувшим не только ее структуру, методологию, но и технологию процесса обучения. Такие тенденции в системе образования требует новых средств обучения, и в первую очередь, электронных компьютерных средств обучения. Опыт ис пользования компьютерных средств обучения в рамках традиционных технологий и методик обучения показывает низкую эффективность их ис пользования. Это связано с тем, что задачу разработки новых компьютер ных средств обучения нельзя рассматривать раздельно от задачи разработ ки методик обучения с их использованием. Эти задачи тесно связаны друг с другом, и решение проблем разработки средств обучения вытекает из по становки задачи разработки методик обучения с использованием этих средств. Таким образом, можно считать, что проблема разработки элек тронных компьютерных учебников, имеет две составляющие: психолого педагогическую, связанную с разработкой форм представления учебного материала и решения вопроса усвоения этого материала обучаемым и тех нологическую, связанную с программно-аппаратными средствами реали зации учебного материала.

Исследование эффективности усвоения учебного материала можно проводить как в натурных экспериментах, так и средствами моделирова ния. Для этого необходимо создать адекватные модели обучаемого и мето дического ресурса. Обучаемый, в процессе освоения учебного материала в предлагаемом компьютерном средстве обучения, взаимодействует с учеб ным материалом, и результатом такого взаимодействия будет степень ус воения материала обучаемым. Таким образом, очевидно, что модель обу чаемого должна быть неразрывно связана с моделью процесса обучения.

Под процессом обучения мы подразумеваем процесс взаимодействия меж ду обучаемым и компьютерным средством обучения.

Модель обучаемого должна содержать достаточно полную информа цию о нем: уровень его знаний, умений и навыков, способность к обуче нию, способность выполнения заданий (умеет ли он использовать полу ченную информацию), личностные характеристики (способность к забыва нию и восстановлению забытой информации) и другие параметры. Для модели процесса обучения целесообразны следующие два параметра:

- уровень знаний обучаемого;

- длительность обучения.

Под уровнем знаний мы подразумеваем текущий уровень знаний обу чаемого, который должен измеряться тестированием во время процесса обучения. Длительность обучения показывает, насколько эффективно тра титься время на обучение.

С прагматической точки зрения результат обучения и является глав ным критерием качества компьютерного средства обучения. Если обучае мый имеет недостаточное знание обучающего курса после обучения с ис пользованием компьютерного средства обучения, тогда данное средство обучения должно быть оценено как учебный материал с низким качеством.

Поэтому в модели процесса обучения должна быть отражена статистика обучения, чтобы помочь эксперту при анализе эффективности системы.

Для разработки моделей обучаемого и процесса обучения целесообразно рассмотреть основные понятия предметной области этих моделей.

Обучение определяется как процесс управления внешней и внутрен ней активностью обучаемого, в результате которой у него формируются определенные знания, навыки и умения. Возможности человека определя ются через знание, навыки и умения, необходимые для эффективного вы полнения задач. Эти категории можно определить следующим способом.

Знание - упорядоченная совокупность сведений, обычно фактического или процедурного характера. Владение знаниями позволяет осуществлять адекватное выполнение работы. Владение знаниями не говорит о том, что они будут использованы.

Навык - это способность легко и точно выполнять действия, необхо димые во время работы. Говоря про навык, необходимо указывать некото рый нормативный уровень, достижение которого нужно для эффективного выполнения работы.

Умение обычно понимается как способности, необходимые для вы полнения какой-то функции в работе. Очень часто для проявления умения необходимо использование каких-нибудь основных знаний.

На сегодняшний день имеются разработки моделей обучаемого и процесса обучения. Все эти модели могут быть разделены на две основные группы:

аналитические и имитационные. Функционирование обучаемого в рамках процесса обучения представляет собой неравновесный процесс и должно описываться вероятностными математическими моделями. Таким образом, можно ставить задачу выбора подходящей вероятностной модели для опи сания их взаимодействия. Для построения модели этого взаимодействия необходимо определить основные параметры, отражающие состояние ка ждого субъекта, выявить их взаимовлияние, количественно измерить и описать с помощью подходящей функциональной зависимости. А это со пряжено с огромными трудностями в силу слабой формализуемости дан ного процесса. Поэтому особое значение имеет оценка адекватности полу ченных моделей не только с точки зрения математико-статистических кри териев, но и с позиции ее оптимального соответствия двум критериям:

- адекватность действительности;

- простота и эффективность применения в решении поставленной пробле мы за приемлемое время и с достаточной точностью.

Попытки формализовать процессы обучения предпринимались доста точно давно и первые работы этого направления появились в пятидесятых годах прошлого столетия. В этих работах эмпирические данные, получен ные при обучении, стали выражать в виде уравнений, которые не опира лись на какую-то теорию, а лишь интерпретировали имеющиеся данные [1, 2]. Математика здесь, прежде всего, была применена для описания эмпи рических функций. Например, немецкий психолог Герман Эббингауз (Eb binghaus) еще в конце 19-го столетия вывел «кривую забывания», показы вающую, что небольшой процент забытого материала падает на период, следующий непосредственно за заучиванием. Он предположил, что части ца материала, который забывается с течением времени, возрастает как ло гарифм времени, которое протекло с момента начала обучения. Наиболее распространенным методом описания результатов эксперимента обучения возникла «кривая обучения», то есть график, который изображает, как в условиях заданного эксперимента от пробы к пробе изменяются характе ристики обучаемого или группы обучаемых. В качестве «функции обуче ния» предлагались разнообразнейший аналитические функции, в том числе гипербола, функция экспоненциального роста, арктангенс. Однако ни одна из этих функций не была получена на основе фундаментальной теории обучения. В общем случае состояние P обучаемого в процессе обучения характеризовалось следующим уравнением:

P = a bcF (n), где:

n – число испытаний за единицу времени;

a – граница усвоения при n;

F(n) – эмпирическая функция;

b,c – константы, характеризующие обучаемого.

В шестидесятых годах 20-го столетия в психологии начало склады ваться представление об обучении как о стохастическом процессе. Роберт Буш (Bush) и Фредерик Мостеллер (Mosteller) [3] из Горвардского универ ситета, сформулировали так называемые стохастические модели обучен ности. Концептуальные положения этих моделей базируются на работах американских психологов Кларка Халла (Hull) и Луиса Терстоуна (Thurstone), предложивших теорию научения. Для теории научения осо бенно важным было сосредоточение внимания на вероятностях событий, последовательных эффектах и представлении данных в виде цепей Марко ва.

В результате были предложены подобные стохастические модели, ко торые получили название «линейные модели обучения». При построении этих моделей вводится вероятность qn того, что обучаемый, в п-ом испыта нии даст ответ Е. Альтернативой будет неправильный ответ. Соответст венно, вероятность того, что обучаемый в п-ом испытании даст ответ равняется 1 - qn. В каждом испытании обучаемый даст ответ, получая при этом подкрепление, например, угадывает правильный ответ. В зависимо сти от подкрепляющего события Ej в п-ом испытании изменяется вероят ность ответа в п+1-ом испытании:

qn+1 = a j qn + b j где аj и bj. увеличивают или уменьшают вероятность ответа. Эти парамет ры зависят от того, подкрепляет ли событие Еj ответ Е или. Так в модели Буша-Мостеллера для случая двух альтернатив вводятся операторы 1qn + (1 1 )1, если ответ E, qn+1 = 2 qn + (1 2 )2,если ответ E ;

где 1,2 (1 0, 2 1) - постоянные точки, то есть если qn = i (i = 1,2), то qn+1 = qn (значение вероятности не изменяется).

Разработке математических моделей обучения, основанных на поло жениях теории стохастических процессов, посвящены работы Свиридова О.П. [4]. Используя методы статистической теории обучения и контроля знаний можно установить связь между потоком учебного материала, его усвоением и забыванием.

Пусть в момент времени t=0 информация воспринята обучаемым, а при t0 ему задаётся вопрос по этому материалу. Если в момент t = обу чаемый даёт неправильный ответ на этот вопрос, то отвечает времени забывания. Предполагается, что время - непрерывная случайная величи на с функцией распределения Q(t ) = Q{ t} В случае экспоненциального распределения Q(t ) = 1 l t, где - интенсивность забывания. Среднее время забывания равняется 1/.

Вероятность правильного ответа на вопрос в интервале (0, t) будет P (t ) = 1 Q(t ) Интенсивность забывания (t) имеет следующее значение. Величина (t)t представляет собой вероятность того, что обучаемый знает учебный материал по какому-то вопросу в интервале времени (0,t) забудет его в ин тервале времени (t, t + t).

В случае маленьких t вероятности Q(t) неправильного и P(t) пра вильного ответов будут:

Q(t, t + t ) (t )t ;

P (t, t + t ) 1 (t )t.

Кроме экспоненциального распределения для описания процесса за бывания можно использовать другие распределения (например Вейбулла, Эрланга ).

Зная изменения во времени вероятности правильного ответа P(t), можно определить математическое ожидание времени забывание вопросов определенного типа тем или иным обучаемым:

T = M { } = tq (t )dt = P (t )dt, 0 где q(t ) = Q(t ).

Аналогично определяется дисперсия времени забывания:

D{ } = M { T }2 = 2 tP (t )dt T 2.

В случае экспоненциального распределения получим следующие вы ражения для математического ожидания, дисперсии времени забывания и интенсивности забывания:

1 M { } = T = ;

D{ } = ;

(t ) =.

Поскольку человеческая память помимо свойства забывания имеет свойство восстановления знаний, целесообразно в модель обучаемого вве сти элементы, связанные с восстановлением знаний. Поскольку восстанов ление знаний возможно в разные моменты времени по отношению к забы ванию, рассмотрим восстановление знаний с конечным временем восста новления, когда восстановление знаний сопоставимо со временем забыва ния.

Процесс забывания и восстановления с конечным временем восста новления знаний по i-му вопросу можно представить в виде чередующихся интервалов забывания или сохранение (состояние Е0) и восстановление знаний (состояние Е1). В момент времени t = t0i, соответственно учебной программе, начинается изучение учебного материала по какому-либо во просу. Для этого требуется время 1. Потом начинается забывание данного вопроса. Продолжительность этого промежутка времени равняется 1. Для повторного восстановления знаний по данному вопросу обучаемому тре буется время 2. Моменты времени tni = 1 + 1 + 2 + 2 + L + n1 + n + n, tn i = 1 + 1 + 2 + 2 + L + n1 + n, n = 1,2,K называются соответственно моментами забывания и восстановления зна ний. Время восстановления забытого учебного материала меньше времени начального изучения, но эта разность небольшая.

Если функция распределения времени восстановления знаний равня ется G (t ) = 1 l µ, µ 0, t 0, то восстановление знаний называют экспоненциальным. При этом матема тическое ожидание и дисперсия времени восстановления знаний опреде ляются формулами:

1 M {} = Tвосст. =, D{} =.

µ µ Особенность экспоненциального восстановления знаний состоит в том, что если в момент времени t обучаемый занят восстановлением зна ний, то распределение оставшегося времени восстановления будет экспо ненциальным с тем же параметром.

В качестве примера использования экспоненциального распределения времени восстановления знаний можно рассмотреть, вариант процесса обучения, когда обучаемому дается сначала информационно-справочный материал, а потом предлагается несколько упражнений с соответствующи ми объяснениями. При такой организации обучения вероятность усвоения положения или навыка повышается с ростом числа упражнений.

Используя рассмотренные выше подходы к построению стохастической модели, рассмотрим структуру модели учебного процесса. Учебный про цесс может быть рассмотрен как процесс управления сложной системой, в которой объектом управления является обучаемый [3]. В общем виде структурная модель учебного процесса приведена на рис 1.

Рис. Функциональную модель взаимодействия обучаемого и учебного про цесса можно представить в виде схемы на рис.2.

МОДЕЛЬ ОБУЧЕНИЯ V J A Z Y U ИНТЕРФЕЙС R C P Fp Fy МОДЕЛЬ ОБУЧАЕМОГО Рис. где:

J – поток знаний;

V – относительный вес обучающей информации;

A – алгоритм управления;

Z – цель обучения;

U,R,C – каналы обучения, управления обучением и контроля обучения;

P – состояние обучаемого;

Y - канал обратной связи в виде результатов контроля;

Fy, Fp – операторы состояния и результатов контроля обучаемого.

Рассмотрим процесс взаимодействия модели обучаемого с моделью обуче ния. Пусть предметом обучения являются n+1 порций обучающей инфор мации J:

J=(j1,,j2,…jn-1, jn, jn+1), у которых известны их относительные веса:


V=(v1, v2,…vn-1, vn, vn+1), n v При этом = 1, где v1 – априорная мера частоты использования зна i i = ний в практической деятельности обучаемого, v1=1.

На основании принципов декомпозиции сложной системы представим процесс обучения состоящим из двух повторяющихся этапов.

Первый этап: передача ученику порции обучающей информации U m = (u1m, u2,K, un1, un, un+1 ), m m m m где 1, если порция ji выдана на m м шаге обучения uim = 0 в противном случае, m=1,2,…n.

Второй этап – контроль за обучением C m = (c1m,K, cn1, cn, cn+1 ), m m m где 1, если на m м шаге был контроль знания ji, cim = 0 в противном случае.

Результаты контроля представлены в виде двоичного вектора для ка нала обратной связи:

Y m = ( y1m, y2,K, yn1, yn, yn+1 ), m m m m где 1, если обучаемый знает ji на m м шаге, yim = 1 в противном случае, 0, если j не контролировалось (c m = 0).

i i Модель обучаемого задается в виде операторов Fp и Fy, а состояние обучаемого оператором Р и результатом контроля Y:

P = Fp (U ), Y = Fy ( P, C ).

Цель обучения, исходя из состояния объекта обучения:

z : Pi Pn, Pi i, то есть необходимо знание порций информации с вероятностью не меньше заданной (1-i).

С прикладной точки зрения наиболее важной оказывается другая цель:

z : Pi K ( Pi,V ) K ( Pi,V ) i, где K-интегральный критерий эффективности знаний обучаемого:

n K ( P,V ) = pi vi i = pi- вероятность незнания порции информации на m-м шаге обучения, vi частота использования знаний. В этом случае знание характеризует веро ятность незнания, обнаруживаемого обучаемым а практической деятельно сти. Это цель задается числом.

Наилучшие результаты дает комбинация двух форм целей например в виде p для i T, z: i K ( P, V ), то есть заданное множество T порций информации следует знать с задан ной вероятностью и одновременно с заданным ограничением на вероят ность незнания в практической деятельности.

Алгоритм обучения должен обеспечивать минимум шагов обучения, необходимых для достижения цели Z. Для этого цель представим в виде:

K * ( P, V ), где K * ( P,V ) = K ( P,V ) + ( Pi i ), iT -коэффициент штрафа, (x) - функция знаний.

x при x 0, ( x) = 0 при x x – значение аргумента в наперед заданном интервале.

Минимизируем значение K* в рамках выделенного ресурса R на каж дом шаге обучения:

K * ( P(U ),V ) min U *, UR где U – порция обучающей информации.

Ее решение образует порции информации, которые выдаются обучае мому за один шаг. Эту задачу целесообразно решать простой заменой для такого множества W, при котором значение минимально W R, то есть K * (W ) min, W R Pi Fi ( Pi m ), где W- множество обучающей информации.

Реализация данной модели представляет собой комбинаторную задачу линейной функции Fi ( Pi m ) и решается упорядоченным перебором Ji, то есть не зависит от n.

При этом сначала определяется индивидуальный объем обучающей информации J. Ее можно пропустить, считая Fi ( Pi m ) =0, i=l,..., n, то есть считать обучаемого полностью необученным. Обучение состоит в том, что на каждом шаге модель строит согласно алгоритму для каждого конкрет ного обучаемого информационное поле, по которому впоследствии опре деляются промежутки между сеансами обучения и коррекции вектора ве роятностей незнания, а также время Тn, затраченное на заучивание преды дущей порции и свой ресурс, то есть время, планируемое на выполнение следующего задания Tn+1.

Далее осуществляется контроль по критериям качества обучения К*.

Когда этот критерий достигает требуемого уровня, модель заканчивает свою работу Литература 1. Буш Р., Мостеллер Ф. Стохастические модели обучаемости. - Г.: Физматгиз, 1962.

- 484 с.

2. Аткинсон Р., Бауэр Г., Кротерс З. Введение в математическую теорию обучения:

Пер. с англ. - М.: Мир, 1969. - 486 с.

3. Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемого. Рига: Зинатне, 1988. - 160 с.

4. Свиридов А.П. Основы статистической теории обучения и контроля знаний. - М.:

Высшая школа, 1981. - 262 с.

УДК 115:37. Е.Ю. Решетова АНАЛИЗ ЭКСПЕРТНОЙ ИНФОРМАЦИИ ОТНОСИТЕЛЬНО ЭФФЕКТИВНОСТИ МЕЖДИСЦИПЛИНАРНЫХ СВЯЗЕЙ Цель настоящей работы – исследовать междисциплинарные связи не которых специальностей технического вуза (на примере ИрГУПС), кото рые были выделены на основе содержательного анализа математических моделей шести специальностей, относящихся к разным факультетам Ир ГУПС. [1]. В ходе исследования было выявлено, что наиболее адекватной, с весьма высокими характеристиками качества, является модель специаль ности «Экономика и управление на предприятии (железнодорожный транспорт)» (Э), для специальности же «Автоматика, телемеханика и связь на железнодорожном транспорте» (АТС) модель обладает более низкими показателями качества. Информация, необходимая для анализа, собиралась в ходе диалога с преподавателями вуза, а также в результате тщательного исследования рабочих программ дисциплин.

Для достижения цели были проанализированы междисциплинарные связи специальностей АТС и Э по трем циклам дисциплин учебного плана:

- общие математические и естественно-научные дисциплины (ЕНД);

- общепрофессиональные дисциплины (ОПД);

- специальные дисциплины (СД).

В результате было обработано и подвержено глубокому анализу со держание 31 рабочей программы специальности АТС и 29 рабочих про грамм специальности Э. Также проведен анализ межпредметных связей по 213 темам исследуемых дисциплин.

Для анализа каждой специальности привлекались эксперты – препода ватели вуза. Им была предложена следующая шкала оценивания:

5 – крайне важно;

4 – важно;

3 – полезно;

2 – низкая важность;

1 – совершенно неважно;

0 – вредно.

Работу с экспертами проводилась индивидуально с разъяснениями по правилам формирования соответствующих таблиц.

Прежде чем приступить к анализу междисциплинарных связей, вве дем некоторые обозначения:

- x ik - оценка k-го эксперта важности i-той темы j-той дисциплины s sj того цикла;

- N i - множество оценок экспертов, выставленных для i-той темы;

- n i = N i - размерность множества N i ;

x - y ijs = - средняя оценка, рассчитанная по оценкам группы sj ik ni iN j экспертов важности i-той темы j-той дисциплины s-того цикла.

- z ijs - количество часов, отведенных на изучение i-той темы j-той дис циплины s-того цикла в рабочей программе.

- s (1) = y ijs - сумма средних оценок экспертов;

sLs jN j iM i - M i - множество тем дисциплин из рабочих программ;

- N j - множество дисциплин, взятых из рабочих программ;

- L s - множество исследуемых циклов;

yijs - pi = *100% - доля средней оценки экспертов для i-той темы в s (1) суммарной оценке.

- s ( 2) = z - сумма часов из рабочих программ;

js i s L s j N j i M i - M i - множество тем дисциплин из рабочих программ;

- N j - множество дисциплин, взятых из рабочих программ;

- L s - множество исследуемых циклов;

zijs - ri = *100% - доля часов из рабочих программ для i-той темы в s ( 2) суммарной оценке;

- i = pi ri - абсолютное отклонение долей средних оценок эксперт ной информации и рабочих программ.


Результаты анализа сведены в таблицы 1 и 2. Здесь представлены экс пертные оценки и показатели по специальностям АТС и Э.

Особый интерес в нашем случае представляют следующие коэффици енты:

s (1) - для специальности АТС: a1 = =0.24;

s ( 2) s (1) - для специальности Э: a 2 = =0.18.

s ( 2) Ввиду того, что для специальности Э характерна наиболее органичная взаимосвязь между знаниями студентов по всем циклам дисциплин по от ношению ко всем другим специальностям [1], есть все основания полагать, что показатели данной специальности могут являться ориентиром при ана лизе качества междисциплинарных связей по трем циклам дисциплин учебного плана обеих специальностей. Введем в рассмотрение относи a1 a тельное отклонение величин a1 и a 2 : К= *100%=33%, по которому a можно сделать вывод о существенном различии в соответствии экспертной и фактической (по рабочим программам) информации.

Итак, проанализируем междисциплинарные связи специальностей АТС и Э по трем циклам дисциплин учебного плана. Для нас особенно ин тересны результаты показателя i. Так, по дисциплине «Математика»

(цикл ЕНД) у специальности АТС данный показатель для темы «Матема тический анализ» составляет 9%, у специальности Э – 5.7%. По теме «Ин формационные основы ЭВМ» у дисциплины «Информатика» (цикл ЕНД) специальность АТС имеет показатель 0.5%, Э – 0.6%. Если же взять во внимание тему «Компьютерные сети» дисциплины «Информационные технологии в экономике» специальности Э (цикл ЕНД), то мы видим, что i =0.2% - приемлемый показатель, но наряду с этим эксперты оценивают значимость данной темы весьма низко. А у специальности АТС тема «Про граммное обеспечение ПК» дисциплины «Информатика» (цикл ЕНД) име ет аналогичный показатель и высокие экспертные оценки значимости. Пе реходя к дисциплинам цикла ОПД имеем в целом такую же ситуацию.

Дисциплина «Прикладная механика» у специальности АТС имеет незначи тельные отклонения i по всем темам, но и значимость данной дисципли ны оценивается невысоко. Высокие оценки эксперты дают дисциплине «Теоретические основы электротехники» специальности АТС, но значения i в этом случае не вполне естественны. Что касается специальности Э, то следует отметить очень низкую оценку экспертов-преподавателей №3 и №8 по всем дисциплинам цикла ЕНД и ОПД. Однако, судя по оценкам ос тальных экспертов дисциплины цикла ОПД специальности Э весьма зна чимы при изучении дисциплин цикла СД. Об этом же свидетельствует и показатель i [0.1;

1.0].

Таким образом, по специальности АТС дисциплины цикла ЕНД по каждой теме имеют показатель i [0.1;

9.0], цикла ОПД - i [0.1;

2.8]. По специальности Э в цикле ЕНД для тем исследуемых дисциплин характерен показатель i [0.2;

5.7], в цикле ОПД - i [0.1;

1.0].

Проведенный анализ междисциплинарных связей специальностей АТС и Э, может быть использован соответствующими кафедрами при кор ректировке рабочих программ по дисциплинам.

Литература 1. Носков С.И., Решетова Е.Ю. Образовательные технологии: моделирование межпредметных связей.//Современные технологии. Системный анализ. Мо делирование. – Иркутск: ИрГУПС, 2009. – Вып. 1(21)., с. 164-165.

2. Решетова Е.Ю. Корреляционный анализ успеваемости студентов по циклам дисциплин в техническом вузе (на примере ИрГУПС).//Информационные технологии и проблемы математического моделирования сложных систем. – Иркутск: ИрГУПС, 2007. – Вып. 5., с. 65-70.

УДК 519. Е.Ю. Решетова, О.В. Семененко ПРОГРАММНЫЙ КОМПЛЕКС МАРС МЕЖДИСЦИПЛИ НАРНОГО АНАЛИЗА РЕЗУЛЬТАТОВ СЕССИИ Известно, что уровень умений выпускника в основном определяется его успешностью в освоении специальных дисциплин (СД) учебного пла на, дисциплины же трех других циклов – общие гуманитарные и социаль но-экономические дисциплины ( ГСЭН), общие математические и естест венно-научные дисциплины (ЕНД) и общепрофессиональные дисциплины (ОПД) выполняют обеспечивающие функции и предназначены для воз можно более полного усвоения дисциплин цикла СД, хотя, безусловно, их знание важно само по себе по легко объяснимым причинам. Естественно поэтому важно на формальном уровне выявить степень влияния знаний обеспечивающих дисциплин на уровень знаний специальных дисциплин. В [1] представлены математические модели шести специальностей, относя щихся к разным факультетам ИрГУПС. Для оценки параметров моделей использовался программный комплекс «РеКор» [2], позволяющий решать специализированные задачи оценки связи между исследуемыми факторами и выявления аналитической зависимости между ними. Статистические данные при этом формировались в.dbf-файлы, после чего использовался указанный программный комплекс.

Чтобы автоматизировать процесс сбора данной информации, а также процесс формирования.dbf-файлов, в настоящей работе решается задача разработки программного обеспечения реализации этой проблемы.

Целью разработки программного комплекса (ПК «Марс») является ав томатизация решения ряда задач моделирования, которая позволяет значи тельно сократить временные затраты на сбор и обработку данных, что, в свою очередь, упрощает построение моделей, используемых при анализе результатов сессий. Поэтому ПК «Марс» должен соответствовать ряду требований, которые состоят в следующем:

- ПК «Марс» должен автоматизировать процесс построения и использова ния математических моделей статистического типа, начиная с анализа ис ходных данных и заканчивая получением значений выходных переменных;

- ПК «Марс» должен поддерживать возможность задания условий поиска входных данных и обеспечивать его автоматизацию;

- автоматическое формирование.dbf-файлов заданной структуры, класси фицированных по специальностям, с выводом в них результатов работы;

- ПК «Марс» должен быть ориентирован как на обслуживание пользовате лей-специалистов в области математической статистики, так и пользовате лей-прикладников. При этом для обеих групп пользователей система должна обеспечивать накопление статистических данных, первичную об работку входной информации, а также формирование выходных докумен тов, содержащих промежуточные данные, необходимые для дальнейшей их обработки программным комплексом «РеКор».

Описываемый ПК «Марс» содержит все необходимые для статисти ческого анализа средства: сбор статистических данных, их обработка, про изводство расчетов без участия пользователя, вывод и сохранение резуль татов вычислений в нужном формате. При этом автоматизируются сле дующие функции:

- составление списка студентов указанной специальности;

- формирование.dbf-файла;

- подсчет среднего балла каждого студента по четырем циклам дисциплин (учитываются только те дисциплины, оценки по которым заносятся в при ложение к диплому);

- запись результата в.dbf-файл заданной структуры.

Все реализованные функции написаны на языке программирования (ЯП) РНР и предполагают выполнение под управлением операционной системы Windows. Выбор указанного ЯП связан прежде всего с тем, что рассматриваемая система вызывается из браузера клиента, в свою очередь РНР является достаточно простым средством для динамического построе ния страниц HTML на сервере перед передачей клиенту, а также для обра щения в СУБД при сборе исходных данных.

Работа с системой начинается с загрузки ПО «Марс» на странице браузера «ЕИС» при переходе по ссылке «Средний балл по специально стям» (рис. 1).

Рис 1. Загрузка системы со страницы браузера В качестве исходных данных для работы ПК «Марс» принимается ин формация по специальностям факультетов и год выпуска, которые указы ваются пользователем в форме для внесения информации (рис.2). Причем для корректной работы программы допускается выбор только одной спе циальности.

Рис 2. Общий вид формы для внесения исходных данных После заполнения приведенной формы пользователь нажимает на кнопку «Скачать», и система начинает обработку данных. Считанные зна чения передаются в функцию для поиска всех студентов указанной специ альности и получения уникальных номеров студентов(id). Полученные значения id используются при определении среднего балла для каждого студента по всем циклам дисциплин. В результате перебора всех записей, удовлетворяющих условиям запроса пользователя, системой формируется выходной.dbf-файл, содержащий информацию, представленную в виде, пригодном для дальнейшей обработки. Структура файла приведена на рис.

3.

Данные выходного файла записываются по четырем столбцам, соот ветствующим циклам дисциплин. При этом столбец N1 соответствует цик лу ГСЭН, N2 – ЕНД, N3 – ОПД, N4 – СД. Количество строк выходного файла соответствует числу студентов, обучавшихся по выбранной специ альности. Нужно отметить, что значения средних оценок по циклам дис циплин должны быть представлены в числовом формате в виде десятичной дроби с девятью знаками после запятой. Такое преобразование ПК «Марс»

производится автоматически. Структура файла обусловлена требованиями, предъявляемыми к файлу программным комплексом корреляционно регрессионного анализа (ПК «РеКор»), используемого при оценке пара метров моделей.

Рис 3. Структура выходного файла ПО.dbf По окончании работы ПК «Марс» пользователю выдается стандарт ный запрос с предложением сохранить файл на диске или открыть из те кущего места. Выполнение последнего действия предполагает открытие файла для просмотра без сохранения. Для дальнейшей обработки получен ных результатов необходимо выбрать режим «сохранить файл на диске» и указать путь сохранения файла. Причем все формируемые выходные фай лы обязательно должны находиться в директории «Новая регрессия». В этом же каталоге располагаются.xls-файлы, формируемые при работе ПК «РеКор», файл rgr.exe, предназначенный для запуска указанного про граммного комплекса, а также файлы библиотек, необходимых для работы ПК «РеКор». После сохранения сформированных файлов последние от крываются с помощью ПК «РеКор» для дальнейшей обработки статисти ческих данных. Функциональная схема взаимодействия ПК «Марс» анали за результатов сессии и ПК «РеКор» представлена на рис.4.

Рис 4. Функциональная схема взаимодействия ПК «Марс» и ПК «РеКор»

Таким образом, рассматриваемый ПК «Марс» позволяет полностью автоматизировать процесс сбора и подготовки статистических данных для проведения дальнейшего их анализа и построения математических моде лей с помощью комплекса «РеКор», передавая требуемую первоначальную информацию, что позволяет пользователю, имеющему общие навыки ра боты на ЭВМ, выполнять необходимые операции по обработке данных с минимальными трудовыми и временными затратами.

Литература 1. Носков С.И., Решетова Е.Ю. Образовательные технологии: моделирование межпредметных связей.//Современные технологии. Системный анализ. Модели рование. – Иркутск: ИрГУПС, 2009. – Вып. 1(21)., с. 164-165.

2. Бутырин О.В., Носков С.И. Программный моделирующий комплекс «Ре Кор»//Информационные технологии и проблемы математического моделирования сложных систем. – Иркутск: ИрГУПС, 2006. – Вып. 3., с. 69-76.

3. Котеров Д.В. Самоучитель РНР 4.-СПб: BHV-Петербург, 2001.- 576 с.

СВЕДЕНИЯ ОБ АВТОРАХ АБАСОВА НАТАЛЬЯ ИННОКЕНТЬЕВНА, к.т.н., доцент кафедры «Информационные системы» ИрГУПС АЛЕКСАНДРОВ АЛЕКСАНДР ЮРЬЕВИЧ, д.ф.-м.н., профессор, зав. кафедрой СПбГУ АРБАТСКИЙ ЕВГЕНИЙ ВИКТОРОВИЧ, старший преподаватель кафедры "Инфор мационные системы" ИрГУПС БАЗИЛЕВСКИЙ МИХАИЛ ПАВЛОВИЧ, студент ИрГУПС.

БЕЛИНСКАЯ СОФЬЯ ИОСИФОВНА, к.ф-.м.н., доцент кафедры «Информатика» Ир ГУПС БЕЛОМЕСТНЫХ ИГОРЬ СЕРГЕЕВИЧ, аспирант ИрГУПС БОЯРКИНА ГАЛИНА ПЕТРОВНА, старший преподаватель кафедры "Высшая матема тика" ИрГУПС БУТИН АЛЕКСАНДР АЛЕКСЕЕВИЧ, к.ф-.м.н., доцент кафедры «Информационная безопасность» ИрГУПС ВОЙНИЧ ПАВЕЛ ВЛАДИМИРОВИЧ, аспирант ИрГУПС ВОРОБЬЕВА НАТАЛЬЯ АНАТОЛЬЕВНА, студентка ИРГУПС ДАНЕЕВ АЛЕКСЕЙ ВАСИЛЬЕВИЧ, д.ф.-м.н., профессор, начальник факультета ВСИ МВД РФ ДАНЕЕВ РОМАН АЛЕКСЕЕВИЧ, студент ИрГУПС ЕРМАКОВ АНАТОЛИЙ АНАТОЛЬЕВИЧ, к.т.н., доцент, проректор по информатиза ции, зав. кафедрой «Информационные системы» ИрГУПС ЕРМАКОВА ЛАРИСА ВЛАДИМИРОВНА, старший преподаватель кафедры "Управ ление эксплуатационной работой" ИрГУПС ЖАБКО АЛЕКСЕЙ ПЕТРОВИЧ, д.ф.-м.н., профессор, зав. кафедрой СПбГУ ИНКЕЕВА ОЛЬГА ВЛАДИМИРОВНА, соискатель ИрГУПС КАЛИНОВСКИЙ СЕРГЕЙ ГЕННАДЬЕВИЧ, аспирант ИрГУПС КЛИМОВА НАТАЛЬЯ АЛЕКСЕЕВНА, старший преподаватель кафедры «Информатика» Ир ГУПС КОЗЫРЕВСКАЯ АННА ВЛАДИМИРОВНА, старший преподаватель кафедры «Информатика»

ИрГУПС КОЛОДИЙ Константин Георгиевич, аспирант ИрГУПС КОСОВ АЛЕКСАНДР АРКАДЬЕВИЧ, к.ф.-м.н., доцент кафедры «Информационные системы» ИрГУПС.

КРАКОВСКИЙ ЮРИЙ МЕЧЕСЛАВОВИЧ, д.т.н., профессор, зав. кафедрой «Инфор мационная безопасность» ИрГУПС КУЗНЕЦОВ НИКОЛАЙ АНАТОЛЬЕВИЧ, преподаватель кафедры «Пожарная безопас ность технологических процессов, зданий и сооружений» ВСИ МВД РФ ЛАВРУХИНА НАДЕЖДА АЛЕКСАНДРОВНА, аспирант кафедры "Информационные си-темы" ИрГУПС ЛУСТЕНБЕРГ ГРИГОРИЙ ЕВГЕНЬЕВИЧ, к.т.н., доцент кафедры «Теоретические ос новы электротехники» ИрГУПС ЛУЧНИКОВ ВЛАДИМИР АЛЕКСАНДРОВИЧ, старший преподаватель кафедры «Информатика» ИрГУПС МАКАРОВ КОНСТАНТИН ВАЛЕРЬЕВИЧ, аспирант ИрГУПС МЕДВЕДЕВА ИРИНА ПЕТРОВНА, доцент кафедры "Высшая математика" ИрГУПС МИХАЭЛИС ВЛАДИМИР ВЯЧЕСЛАВОВИЧ, старший преподаватель кафедры «Ин форматика» ИрГУПС МИХАЭЛИС СВЕТЛАНА ИВАНОВНА, к.п.н., доцент кафедры «Информатика» Ир ГУПС МОЛЧАНОВА ЕЛЕНА ИВАНОВНА, д.т.н., профессор кафедры «Информатика» Ир ГУПС МУХОПАД ЮРИЙ ФЕДОРОВИЧ, д.т.н., профессор, зав. кафедрой «Управление тех ническими системами» ИрГУПС НОСКОВ СЕРГЕЙ ИВАНОВИЧ, д.т.н., профессор, директор ИИТМ ИрГУПС ОВДИЕНКО ЕКАТЕРИНА ВАСИЛЬЕВНА, аспирант ИрГУПС ПЕТРОВ ЮРИЙ ИВАНОВИЧ, к.т.н., доцент, заведующий кафедрой «Информатика»

ИрГУПС ПЕТРОВА ЛИДИЯ ВАСИЛЬЕВНА, старший преподаватель кафедры «Информатика» ИрГУПС РЕШЕТОВА ЕЛЕНА ЮРЬЕВНА, старший преподаватель кафедры «Высшая математи ка ИрГУПС САМСОНОВ ВИКТОР СЕРАФИМОВИЧ, д.п.н., профессор кафедры «Вычислитель ная техника и информатика» БГУ СЕЛИВАНОВ АЛЕКСАНДР СЕРГЕЕВИЧ, соискатель ИрГУПС СЕМЕНЕНКО ОКСАНА ВЛАДИМИРОВНА, инженер-программист ИАПО ТКАЧЕНКО АНТОН ЮРЬЕВИЧ, студент ИИТМ ИрГУПС ФЕДОРОВ ВЯЧЕСЛАВ ВИКТОРОВИЧ, начальник отдела РиСПО ЦИТ ИрГУПС ЧЕРЕПАНОВА АНАСТАСИЯ ЛЕОНИДОВНА, ассистент кафедры «Информатика»

ИрГУПС Научное издание ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ СЛОЖНЫХ СИСТЕМ Выпуск Сборник научных трудов План 2009 г.

Подписано в печать 15.09.09.

Формат 60x84/16 Печать офсетная Усл. печ.л. 12,5 Уч.-изд.л. 13, Тираж 500 экз. Заказ _ Изготовлено в типографии ИрГУПС г. Иркутск, ул. Чернышевского,

Pages:     | 1 |   ...   | 3 | 4 ||
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.