Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения
Информатизация современного образования способствует созданию новых методов разработки учебных курсов, что существенно снижает качество обучения студентов. В настоящей работе предложен метод оценки значимости признаков при анализе качества внедрения дистанционного обучения в высшие учебные заведения...
Saved in:
| Published in: | Математичне та комп'ютерне моделювання. Серія: Технічні науки |
|---|---|
| Date: | 2018 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2018
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/162170 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения / Е.М. Филоненко, А.Д. Рубан, А.А. Фомин // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2018. — Вип. 18. — С. 102-110. — Бібліогр.: 6 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860181554992513024 |
|---|---|
| author | Филоненко, Е.М. Рубан, А.Д. Фомин, А.А. |
| author_facet | Филоненко, Е.М. Рубан, А.Д. Фомин, А.А. |
| citation_txt | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения / Е.М. Филоненко, А.Д. Рубан, А.А. Фомин // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2018. — Вип. 18. — С. 102-110. — Бібліогр.: 6 назв. — рос. |
| collection | DSpace DC |
| container_title | Математичне та комп'ютерне моделювання. Серія: Технічні науки |
| description | Информатизация современного образования способствует созданию новых методов разработки учебных курсов, что существенно снижает качество обучения студентов. В настоящей работе предложен метод оценки значимости признаков при анализе качества внедрения дистанционного обучения в высшие учебные заведения с применением нейронной сети.
Informatization of modern education contributes to the creation of new methods for the development of educational courses, which significantly reduces the quality of students' education. In this paper, a method for assessing the significance of features when analyzing the quality of the introduction of distance learning in higher education institutions using a neural network is proposed.
|
| first_indexed | 2025-12-07T18:02:45Z |
| format | Article |
| fulltext |
Математичне та комп’ютерне моделювання
102
tems are connected using both direct and inverse relations. This gave the
model the property of reversibility, that is, any subsystem can be both an
object of external influence and a source of data on the change of parame-
ters in time for the corresponding section of the modelled object. Another
positive feature of the model is that at the level of subsystems that repro-
duce the dynamics of spatial areas of a distributed object, you can set dif-
ferent physical parameters. Then such a model can be used in the case
when a non-uniform object is modelled in which physical parameters differ
in different areas (for example, a long shaft with areas of different diame-
ters or made of different materials). Since the physical parameters of the
simulated object are present in an explicit form in the subsystems of the
structural computer model, this makes it possible to specify non-linear de-
pendencies between them. The paper describes the results of the computa-
tional experiments performed for the cases of linear and nonlinear objects
with distributed parameters. The experiments confirmed the effectiveness
of the proposed approach to the construction and computer implementation
of models of nonlinear objects with distributed parameters.
Key words: computer model, object with distributed parameters, non-
linear object.
Отримано: 16.11.2018
УДК 004.855
DOI: 10.32626/2308-5916.2018-18.102-110
Е. М. Филоненко,
А. Д. Рубан, аспирант,
А. А. Фомин, канд. техн. наук
Одесский национальный политехнический университет, г. Одесса
ОЦЕНКА ЗНАЧИМОСТИ ПРИЗНАКОВ НА ОСНОВЕ
НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ АНАЛИЗА
КАЧЕСТВА ДИСТАНЦИОННОГО ОБУЧЕНИЯ
Информатизация современного образования способствует
созданию новых методов разработки учебных курсов, что су-
щественно снижает качество обучения студентов. В настоя-
щей работе предложен метод оценки значимости признаков
при анализе качества внедрения дистанционного обучения в
высшие учебные заведения с применением нейронной сети.
Представлен алгоритм проведения исследования значимо-
сти признаков, состоящий из трех этапов: подготовка данных,
нейросетевое моделирование и анализ и интерпретация ре-
зультатов исследования.
Подготовка данных — самый трудоемкий процесс, требу-
ющий максимального сосредоточения со стороны аналитика.
В качестве обучающей выборки использованы реальные дан-
© Е. М. Филоненко, А. Д. Рубан, А. А. Фомин, 2018
Серія: Технічні науки. Випуск 18
103
ные обучения студентов университета из системы дистанци-
онного обучения Moodle. Данная система активно использует-
ся в качестве инструмента ведения учебного процесса в Одес-
ском национальном политехническом университете.
Нейросетевое моделирование заключается в исследовании
информативности признаков после обучения нейронной сети.
В качестве входов нейронов использовались данные об успе-
ваемости студентов курсов, в качестве выходов — их резуль-
тирующая оценка за курс.
Информативность каждого признака определяется с по-
мощью матрицы весов, которая формируется после обучения
нейронной сети. Благодаря матрице весов можно определить,
какой из признаков наиболее информативен, т.е. наиболее зна-
чим для исследования. Значения матрицы весов визуализиро-
ваны с помощью графиков и гистограмм и дают возможность
проанализировать результаты исследования и наглядно под-
твердить значимость признаков.
Таким образом, решена задача оценки значимости призна-
ков при анализе данных обучения студентов в системе дистан-
ционного обучения Moodle. Определены исследуемые призна-
ки. Сформирована матрица весов признаков. Обосновано
предположение о том, что значения весов признаков характе-
ризуют уровень значимости каждого исследуемого признака.
Выделены наиболее значимые признаки, которые влияют на
качество внедрения дистанционного обучения.
Ключевые слова: многослойная нейронная сеть, множе-
ство признаков, информативность, дистанционное обучение.
Введение. В условиях информатизации современного образования
появляется необходимость создания наилучших условий внедрения ин-
формационных и телекоммуникационных технологий в образователь-
ный процесс учебного заведения. Это в свою очередь способствует акту-
ализации внедрения различных дидактических методов, применяемых в
разработке и проектировании систем управления обучением, способных
обеспечить продуктивное течение учебного процесса.
Однако невозможно обеспечить продуктивное ведение учебного
процесса, используя прогрессивные методы и технологии обучения, не
отслеживая при этом прогресс развития обучения. Поэтому, актуальной
является задача выделения факторов (признаков), влияющих на качество
дистанционного обучения, внедряемого в учебный процесс заведения.
В настоящее время при решении задач анализа качества системы
дистанционного обучения (ДО) выполняется лишь процедура наращива-
ния количества признаков с априорной установкой весов признаков [1].
Качественный состав признаков и их сочетаний в рассмотрение,
как правило, не берется. В то же время, обладая оперативной информа-
цией о значимости признаков в процессе использования ДО можно су-
Математичне та комп’ютерне моделювання
104
щественно усовершенствовать данный метод обучения. В неформаль-
ных постановках задачи определение информативных признаков ставит
целью определение того, насколько хороши используемые методы ДО.
Целью настоящей работы является повышение качества дистан-
ционного обучения с помощью выделения признаков, характеризую-
щих уровень его внедрения в учебный процесс заведения.
Задачей работы является разработка метода оценки значимости
признаков с использованием нейронной сети (НС).
Обзор литературы. Методы оценки качества ДО делятся на ста-
тические и внутренние. Статические методы основаны на изучении,
сопоставлении, сравнении полученных цифровых данных между собой
или с образцом, их обобщения, истолкования и формирования научных
и практических выводов [2, с. 494]. Достоинства такого подхода за-
ключаются в получении реальной оценки исследуемой ситуации. Не-
достатками такого подхода являются низкая скорость обработки дан-
ных и относительно высокий уровень погрешности. Внутренние мето-
ды используют идею анализа получаемых цифровых данных, исполь-
зуя встроенные (или дополнительные) инструменты системы. Напри-
мер, система дистанционного обучения (СДО) Moodle имеет встроен-
ный инструмент анализа результатов тестирования студентов дистан-
ционных курсов [3]. Достоинствами таких методов является высокая
скорость обработки получаемых данных, возможность визуализации и
анализа результатов. Недостатком являются отсутствие подробного
анализа — по желанию преподавателя имеется возможность внедрить
лишь краткие сведения по каждому из исследуемых пунктов.
Ранее решение задачи оценки значимости признаков, характери-
зующих уровень внедрения ДО в учебный процесс, производилось с
помощью инструмента когнитивного моделирования, имеющим
название когнитивных карт [4]. В данной работе предложен метод
оценки значимости этих признаков с помощью НС.
Основная часть. Содержательная постановка задачи оценки
значимости признаков заключается в необходимости выделения та-
ких измеряемых признаков, которые в наибольшей степени влияют
на качество образования средствами ДО. Таким образом, необходимо
определить признаки и их сочетания с наибольшими весами. Вес
каждого признака характеризует уровень его значимости при оценке
качества образования.
Набор признаков, рассматриваемых в качестве обучающей вы-
борки, можно разделить на несколько категорий:
1. Признаки, непосредственно связанные с дистанционным курсом.
2. Признаки, связанные с обучением студента на курсе.
3. Признаки, характеризующие время, проведенное студентом в ка-
честве авторизованного пользователя.
Серія: Технічні науки. Випуск 18
105
В общем случае, алгоритм выделения значимых признаков каче-
ства дистанционного обучения состоит из следующих этапов (рис. 1).
1. Подготовка данных.
2. Нейросетевое моделирование.
3. Анализ и интерпретация результатов моделирования.
Первый этап решения задачи оценки значимости признаков —
подготовка данных.
В современных условиях, когда приходиться работать с боль-
шими массивами реальных данных, подготовка данных становиться
самостоятельной задачей, которой отводится значительная часть
времени и ресурсов. Обычно на практике малое время уделяется под-
готовке данных, в то время как именно этот этап является важным и
критичным шагом в нейросетевом моделировании. От того насколько
хорошо подготовлены данные, может зависеть результат использова-
ния нейронной сети.
Этап подготовки данных включает такие обязательные действия
как сбор данных (шаг 1), нормирование данных (шаг 2) и формирова-
ние обучающей и экзаменационной выборок (шаг 3).
Обучающие выборки множества случайным образом формиру-
ют три подмножества: обучающее множество (Train Set), составляет
70% от обучающей выборки; контрольное множество (Validation Set)
составляет 15% от обучающей выборки; тестовое множество (Test
Set) составляет 15% от обучающей выборки [5].
Выбор НС (шаг 4) также является значимым этапом в нейросе-
тевом моделировании, так как от того, какой тип НС будет выбран, в
первую очередь будет зависеть, насколько полученные результаты
будут приближены к реальности, т.е. выбор НС в первую очередь
характеризуется уровнем точности обучения. Для наиболее точного
решения на полученных данных тестировались несколько типов
нейронных сетей (однослойная и многослойная; на 10, 20, 40,
60 нейронах). В результате экспериментов для решения поставленной
задачи была выбрана двуслойная нейронная сеть на 20 нейронов, так
как результат ее обучения показал наилучшую точность.
Выбранная НС обучается (шаг 5), а после — подвергается про-
цедуре экзамена. Обучение НС — это процесс, в котором параметры
НС настраиваются посредством моделирования среды, в которую эта
сеть встроена. В настоящей работе был использован алгоритм обуче-
ния НС с учителем, так как именно этот алгоритм дает возможность
формировать целевой вектор — вектор выходных параметров — с
которым сравнивается работа нейронов НС. Каждый образец целево-
го вектора подается на входы сети, затем проходит обработку внутри
структуры НС, вычисляется выходной сигнал сети, который сравни-
вается с соответствующим значением целевого вектора, представля-
ющего собой требуемый выход сети.
Математичне та комп’ютерне моделювання
106
Рис. 1. Алгоритм оценки значимости признаков качества ДО
с помощью нейронной сети
Обучившись, НС проходит процедуру экзамена (шаг 6). Под эк-
заменом понимается определение уровня точности выполняемых вы-
числений и формирование матрицы весов каждого признака, т.е., опре-
деление его информативности. В данной работе обучение проводится
на данных, которые не были задействованы в процессе обучения НС.
В результате обучения НС формируется матрица весов W. Ин-
формативность каждого признака определяется на основе матрицы W
по выражению:
Серія: Технічні науки. Випуск 18
107
1
1 ( ( , ))
n
i
k
P w k i
w
, (1)
где w — сформированная матрица весов множества признаков НС, i —
порядковый номер признака, n — количество нейронов в первом слое НС.
Если в результате обучения НС необходимая точность не дости-
гается, производится модернизация НС (шаг 4): выбирается иной ал-
горитм обучения, структура НС или другой тип НС.
Определив информативность представленных в подготовленной
выборке данных, с помощью инструментов визуализации (шаг 7) мож-
но выделить наиболее информативные признаки (шаг 8), характеризу-
ющие уровень значимости применения ДО в учебных заведениях.
Предложенная технология оценки значимости признаков в зада-
чах анализа качества дистанционного обучения апробирована на дан-
ных действующей СДО.
В качестве источника представляемых признаков использована
база данных СДО Moodle Одесского национального политехническо-
го университета (URL: http://dl.it-school.com.ua).
Набор признаков, используемых в исследовании, разделен на
три категории:
1) количественные признаки: количество тестов, количество элек-
тронных материалов, количество оцениваемых заданий;
2) оцениваемые признаки: оценка студента за тест, за отдельную
попытку теста, оценка за оцениваемое на курсе задание;
3) временные признаки: время начала тестирования каждого студен-
та, время, потраченное студентом на прохождение теста.
Для каждой категории имеется возможность экспорта призна-
ков непосредственно из базы данных СДО, используемой в учеб-
ном заведении.
С решением задач, предшествующих определению информатив-
ных признаков, связаны вопросы упрощения реализуемой системы и
повышения качества ее работы и быстродействия.
Как было сказано ранее, работе с НС предшествует подготовка
данных, которая в большинстве случаев выполняется в ручном ре-
жиме. Для определения признаков использовалась возможность экс-
порта данных обучения студентов на дистанционных курсах непо-
средственно из СДО Moodle. С помощью экспорта можно получить
реальные данные о следующих признаках:
1. Количество теоретических материалов, представленных на курсе.
2. Количество тестов, благодаря которым можно получить данные
об успеваемости студента на курсе.
3. Количество практических заданий, которые дают возможность
оценить самостоятельность студента и готовность его к выполне-
нию поставленных задач.
Математичне та комп’ютерне моделювання
108
4. Итоговая оценка студента за каждый из представленных на курсе
тестов.
5. Оценка студента за каждое практическое задание, представленное
на курсе.
6. Оценка за каждую попытку студента пройти тестирование (от
трех до пяти попыток за тест, каждая из которых считается от-
дельным признаком).
Всего исследовалось 16 признаков, соответственно выше приве-
денному списку. После экспорта данных о студентах сформирована
сводная таблица данных каждого студента по каждому признаку.
Вместе с входными данными, характеризующими обучение сту-
дентов на дистанционном курсе, сформирован целевой вектор вы-
ходных значений (показания учителя). Целевой вектор представляет
собой суммарное значение всех оценок студента на курсе.
а) б)
Рис. 2. Результат моделирования НС: а — визуализация НС,
б — диаграмма оценки значимости признаков
Визуализация полученных результатов представлена на рис.2, а, где
показаны связи исследуемых признаков и обучающихся нейронов. Од-
нако оценка значимости признаков благодаря такой визуализации стано-
вится проблематичной. Именно поэтому анализ результатов чаще всего
проводится с помощью диаграмм (рис.2, б), благодаря которым отчетли-
во наблюдается уровень значимости каждого из признаков.
Выводы. Предложен метод оценки уровня значимости призна-
ков при анализе качества дистанционного обучения с применением
двухслойной нейронной сети. Благодаря результатам моделирования
нейронной сети на основании данных, полученных путем экспорта из
системы дистанционного обучения Moodle, были определены наибо-
лее информативные признаки (имеющие наибольший вес): количе-
ство вопросов в тесте (наибольшая значимость), количество попыток
прохождения студентом теста, оценка за первую попытку теста коли-
Серія: Технічні науки. Випуск 18
109
чество практических задач. Эти признаки являются наиболее харак-
терными для определения влияния использования дистанционного
обучения на процесс обучения в ВУЗе.
Список используемой литературы:
1. Дубровин В. И. Оценка значимости признаков на основе многослойных
нейронных сетей в задачах диагностики и распознавания / В. И. Дубровин,
С. А. Субботин // Техническая диагностика. — 2002. — № 1 (3). — С. 66–72.
2. Савюк Л. К. Правовая статистика : учебник / Л. К. Савюк. — М. :
Юристъ, 2004. — 588 с.
3. Moodle DOCS [Electronic resource]. — Mode of access: https://docs.moodle.org/-
34/en/Main_page.
4. Филоненко Е. М. Использование когнитивных карт для выделения факто-
ров успеваемости студентов дистанционной формы обучения / Е. М. Фило-
ненко, А. А. Фомин, В. Д. Павленко // Сучасні інформаційні технології
2017 (МІТ-2017) : матеріали сьомої Міжнародної конференції студентів і
молодих науковців. Одеса : ОНПУ, 2017. — № 2. — С. 150–151.
5. Костиков Д. В. Подготовка исходных данных для задачи интерпретации гео-
физических исследований скважин с помощью многослойной нейронной се-
ти / Д. В. Костиков, А. Н. Петров, В. Е. Лялин // Труды Международного
симпозиума «Надежность и качество». — 2007. — Т. 1. — С. 123–128.
6. Общие подходы к обучению нейронных сетей [Электронный ресурс]. —
Режим доступа: http://helpiks.org/6-10671.html.
EVALUATION OF THE FEATURES SIGNIFICANCE BASED
ON NEURAL NETWORKS IN TASKS OF THE ANALYSIS
OF THE DISTANCE LEARNING QUALITY
Informatization of modern education contributes to the creation of new
methods for the development of educational courses, which significantly
reduces the quality of students' education. In this paper, a method for as-
sessing the significance of features when analyzing the quality of the intro-
duction of distance learning in higher education institutions using a neural
network is proposed.
An algorithm for carrying out a study of significance of features is pre-
sented, consisting of three stages: data preparation, neural network model-
ing and analysis and interpretation of the results of the study.
As a training sample, the real data of the university students' training
from the Moodle distance learning system was used. This system is active-
ly used as a tool for conducting the educational process at the Odessa Na-
tional Polytechnic University.
Neural network modeling consists in investigating the informative
character of the traits after training the neural network. The inputs of neu-
rons were data on the progress of students in the courses, as outputs —
their resulting estimate for the course.
The values of the matrix of the weights are visualized with the help of
graphs and histograms and enable us to analyze the results of the study and
clearly confirm the significance of the signs.
Математичне та комп’ютерне моделювання
110
Thus, the task of assessing the significance of characteristics in the
analysis of student learning data in the Moodle distance learning system
was solved. The assumption that the weights of the features characterize
the level of significance of each investigated feature is substantiated. The
most significant features that affect the quality of the introduction of dis-
tance learning are highlighted.
Key words: multi-layer neural network, many features, informative,
distance learning.
Отримано: 28.11.2018
UDC 004.042;004.5
DOI: 10.32626/2308-5916.2018-18.110-115
I. E. Furtat*, Ph. D., Associate Professor,
Yu. O. Furtat**, Ph. D.
* National Technical University of Ukraine «Igor Sikorsky Kyiv
Polytechnic Institute», Kyiv,
**Pukhov Institute for Modeling in Energy Engineering, NASU, Kyiv
BUILDING USER INTERFACE AND DOMAIN MODELS
BASED ON THE USERS’ COGNITIVE CHARACTERISTICS
AND WORK PROCESS SPECIFICS
The principles of construction and management of the automated
systems’ UI (responsible for a form of presenting information to the
user) and domain (responsible for a structure of presenting information
to the user) models are considered as components of the complex of
means for managing user’s informational interaction with the automat-
ed system management means, adapting this interaction to the user’s
individual characteristics and work process specifics.
Key words: informational interaction, adaptation, domain
model, user’s cognitive characteristics.
Introduction. User interaction with information in the automated
system is conducted through system generating an information flow [1–
3] that the user perceives and processes (fig. 1).
Fig. 1. User-system informational interaction scheme
© I. E. Furtat, Yu. O. Furtat, 2018
|
| id | nasplib_isofts_kiev_ua-123456789-162170 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 2308-5916 |
| language | Russian |
| last_indexed | 2025-12-07T18:02:45Z |
| publishDate | 2018 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Филоненко, Е.М. Рубан, А.Д. Фомин, А.А. 2020-01-03T16:41:58Z 2020-01-03T16:41:58Z 2018 Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения / Е.М. Филоненко, А.Д. Рубан, А.А. Фомин // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2018. — Вип. 18. — С. 102-110. — Бібліогр.: 6 назв. — рос. 2308-5916 DOI: 10.32626/2308-5916.2018-18.102-110 https://nasplib.isofts.kiev.ua/handle/123456789/162170 004.855 Информатизация современного образования способствует созданию новых методов разработки учебных курсов, что существенно снижает качество обучения студентов. В настоящей работе предложен метод оценки значимости признаков при анализе качества внедрения дистанционного обучения в высшие учебные заведения с применением нейронной сети. Informatization of modern education contributes to the creation of new methods for the development of educational courses, which significantly reduces the quality of students' education. In this paper, a method for assessing the significance of features when analyzing the quality of the introduction of distance learning in higher education institutions using a neural network is proposed. ru Інститут кібернетики ім. В.М. Глушкова НАН України Математичне та комп'ютерне моделювання. Серія: Технічні науки Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения Evaluation of the features significance based on neural networks in tasks of the analysis of the distance learning quality Article published earlier |
| spellingShingle | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения Филоненко, Е.М. Рубан, А.Д. Фомин, А.А. |
| title | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| title_alt | Evaluation of the features significance based on neural networks in tasks of the analysis of the distance learning quality |
| title_full | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| title_fullStr | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| title_full_unstemmed | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| title_short | Оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| title_sort | оценка значимости признаков на основе нейронных сетей в задачах анализа качества дистанционного обучения |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/162170 |
| work_keys_str_mv | AT filonenkoem ocenkaznačimostipriznakovnaosnoveneironnyhseteivzadačahanalizakačestvadistancionnogoobučeniâ AT rubanad ocenkaznačimostipriznakovnaosnoveneironnyhseteivzadačahanalizakačestvadistancionnogoobučeniâ AT fominaa ocenkaznačimostipriznakovnaosnoveneironnyhseteivzadačahanalizakačestvadistancionnogoobučeniâ AT filonenkoem evaluationofthefeaturessignificancebasedonneuralnetworksintasksoftheanalysisofthedistancelearningquality AT rubanad evaluationofthefeaturessignificancebasedonneuralnetworksintasksoftheanalysisofthedistancelearningquality AT fominaa evaluationofthefeaturessignificancebasedonneuralnetworksintasksoftheanalysisofthedistancelearningquality |