Педагогические науки/ 1. Дистанционное обучение

Д. ф.-м.н., профессор Бахтизин Р.Н., к.э.н., доцент Фаткуллин Н.Ю.,

к.т.н., доцент Латышев Л.Н., к.э.н. Шамшович В.Ф.

ГОУ ВПО «Уфимский государственный нефтяной технический университет»

Реализация инновационных подходов при организации курсов повышения квалификации профессорско-преподавательского состава в ГОУ ВПО УГНТУ

Организация курсов повышения квалификации профессорско-преподавательского состава в ГОУ ВПО «Уфимский государственный нефтяной технический университет» (УГНТУ) реализует концепцию непрерывного образования на базе института дополнительного профессионального образования УГНТУ. Обучение слушателей происходит в образовательной среде MOODLE. Подготовка специалистов, владеющих современными методами и технологиями обучения, и готовых к организации и проведению занятий с использованием дистанционных образовательных технологий имеет особую актуальность в связи с интеграцией РФ в Болонский процесс.

В настоящее время в УГНТУ курсы повышения квалификации профессорско-преподавательского состава на базе института дополнительного профессионального образования научно-педагогических работников проводятся по следующим направлениям: «Внедрение балльно-рейтинговой системы оценки знаний студентов с использованием информационно-коммуникационных технологий», «Технология создания аттестационных педагогических измерительных материалов для контроля качества подготовки специалистов», «Методика дистанционного обучения».

Следующим этапом стала реализация курсов повышения квалификации профессорско-преподавательского состава в системе ДО на основе отработанной методики работы тьюторов в MOODLE, наполнения дистанционных курсов образовательным материалом, внедрения системы тестирования по учебным курсам. Опыт работы с профессорско-преподавательским составом показал не только преимущества ДО, но и выявил определенные сложности, характерные для всей системы ДО в целом, например, малый уровень подготовки слушателей даже на уровне пользователя ПК.

Проведенный анализ модульной структуры курсов, как в балльной разбивке, так и во временной подтвердил реализацию нормального закона распределения. На основании данных по успешности освоения курсов было принято решение по разработке следующего инновационного подхода в реализации процесса ДО применительно к курсам повышения квалификации. Суть подхода заключается в разработке ассоциативной модели прогнозирования, основанной на нейросетевом моделировании. Отметим, что прогнозирование успешности работы слушателей есть задача важная не столько в конечном итоге, сколько в процессе их обучения, т.е. в течение семестра. Важен мониторинг состояния слушателя с точки зрения перспективы успешности освоения материала и завершения обучения в заданный срок [1].

Выбор типа адекватной математической модели был обусловлен следующими обстоятельствами. В течение курса слушатель выполняет ряд отчетных работ различных по сложности, трудоемкости и соответственно различных по количеству начисляемых за них баллов. Предстоящие результаты окончания курса можно оценить разными методами. Один из эффективных методов оценки систем, связанных с поведением сложных социальных систем, к которым можно отнести и слушателей из различных групп обучения, является построение нейронной сети (НС), моделирующей поведение сложного социального объекта - группы слушателей [2,3]. Теоретической основой для дальнейших исследований послужили теорема Колмогорова- Арнольда, Хехт-Нильсона и следствия из них, принципиально обосновывающих возможность построения адекватной модели в виде НС определенной архитектуры. Как известно, из теоремы Хехт-Нильсена следует представимость любой многомерной функции нескольких переменных с помощью НС фиксированной размерности. В то же время неопределенными остаются характеристики функций активации нейронов. Они в прикладных задачах определяются эмпирически на основе структуры входного массива данных. На практике достаточно часто целесообразно использовать НС с числом слоев более двух. Подобные многослойные НС могут иметь меньшие размерности матриц синаптических весов нейронов одного слоя, чем двухслойные сети, реализующие то же самое отображение. Практической основой к построению и определению конкретных характеристик НС послужили несколько прикладных пакетов по нейрокомпьютерному моделированию, в том числе Excel Neural Package и STATISTICA Neural Networks StatSoft.

Этапу моделирования предшествует этап обучения, с итерационным, по сути, процессом уменьшения невязок между теоретическими и эмпирическими значениями моделирования. В данном случае в качестве обучающих примеров были выбраны результаты успеваемости слушателей предыдущих курсов, причем согласно теории построения и обучения НС число обучающих примеров в общем случае на порядок должно превосходить контрольные. Кроме того, в работе применялась процедура уточняющего прогнозирования, с увеличивающимся числом входных параметров, характеризующих завершенные этапы обучения курса. Архитектура НС определялась в результате предварительного анализа нескольких вариантов НС в виде многослойных персептронов и выявления значащих факторов среди множества входных параметров. После сравнения результатов обучения на основе алгоритма обратного распространения отбиралась НС, имеющая наименьшие значения невязок в тестовых примерах (рис.1).

Рис. 1 Трансформация архитектуры сети на начальном и завершающих этапах процедуры уточняющего прогнозирования.

При не достижении удовлетворительной точности в прогнозных данных алгоритм обучения менялся на альтернативный и процедура обучения повторялась, либо увеличивалось число итераций в алгоритме. При этом осуществлялся контроль за недопущением проявления эффекта "переобучения" НС. По итогам испытаний НС вполне адекватно спрогнозировала результаты усвоения курсов слушателями (уровень 80%). Реализация данной модели позволяет тьюторам получить высокоэффективный инструментарий в области педагогической прогностики по нескольким параметрам успешности образовательного процесса с применением дистанционных технологий, что в свою очередь, с наибольшим последующим эффектом позволит принимать управленческие решения для повышения качества процесса подготовки и переподготовки профессиональных кадров. Кроме того, ознакомление слушателей с высокодостоверными результатами прогнозирования, в форме реализации обратной связи, позволит усилить мотивацию сотрудников к успешному овладению и применению учебного материала курсов.

Литература:

1. Бахтизин Р.Н., Фаткуллин Н.Ю., Шамшович В.Ф. Внедрение балльно-рейтинговой системы оценки знаний с использованием информационно-коммуникационных технологий и проведение процедур мониторинга и прогнозирования оценки успеваемости студентов по математике методами нейросетевых технологий // Матер. Второй Всероссийской научно-практ. конф. «Электронная Казань 2010» - Казань, 2010 г. - 365 с.

2. Фаткуллин Н.Ю., Шамшович В.Ф. Нейросетевые технологии - инструментарий системы рейтингового контроля качества образования // Матер. междунар. научно-техн. конф. «Актуальные проблемы технических, естественных и гуманитарных наук». – Уфа: УГНТУ, 2008.

3. Бахтизин Р.Н., Фаткуллин Н.Ю., Шамшович В.Ф. Диагностика и прогнозирование успешного процесса обучения учащихся на основе нейронных сетей // Матер. VI Всероссийской научно-практ. конф. «Образовательная среда сегодня и завтра - М.: Рособразование, 2009. – 366 с.