ГЛАВА 3. ПРИМЕНЕНИЯ СИСТЕМЫ «ЭЙДОС»
В НАУЧНЫХ ИССЛЕДОВАНИЯХ

 

3.1. Экономика

 

В области экономики с применением системно-когнитивного анализа и его инструментария – интеллектуальной системы «Эйдос» решено большое количество различных задач [3-190]. В данном разделе кратко рассмотрим лишь одну из них: «Прогнозирование курсов ценных бумаг на фондовом рынке».  Было разработано несколько вариантов приложений для различных сегментов фондового рынка и с различной детализацией прогнозов. В дальнейшем данная разработка была усовершенствована (усилены графические возможности анализа данных), разработаны исследовательские режимы и др.

 

3.1.1. Когнитивная структуризация и формализация предметной области

 

Одним из основных требований системного анализа является требование полноты и всесторонности рассмотрения, а также необходимость исключения из рассмотрения несущественной информации. При когнитивной структуризации предметной области были выявлены 300 ситуаций на фондовом рынке, которые описывались 1500 показателями (таблица 10). В соответствии с разработанной методикой причинно-следственные взаимосвязи между ситуациями на фондовом рынке выявлялись на основании анализа биржевых баз данных, содержащих сведения примерно за 1993-1994 годы. Позже эти базы были дополнены и в настоящее время содержат данные за 1393 дня с 1992 по 1998 годы.

Таким образом, размерность модели составила: 300 прогнозируемых ситуаций на фондовом рынке, 1500 градаций факторов, 1393 прецедента за 1992 по 1998 годы, 1765907 фактов.

В соответствии с разработанной методикой, путем анализа биржевых баз данных, содержащих сведения за 1393 дня с 1992 по 1998 годы, выявлялись причинно-следственные взаимосвязи между ситуациями на фондовом рынке.

При этом были применены математические модели и технологии, а также специальный программный инструментарий АСК-анализа: когнитивная аналитическая система "Эйдос" [7]. Реализованные в данной системе когнитивные технологии основаны на системной автоматизации 10 базовых когнитивных операций с применением системного обобщения семантической меры целесообразности информации, предложенной академиком А.А.Харкевичем.

 

Таблица 10 – Классификационные и описательные
шкалы и градации при исследовании фондового рынка

3.1.2. Исходные данные для прогноза: биржевые базы данных

 

Система "Эйдос-фонд" относится к окружению системы Универсальной когнитивной аналитической системы "Эйдос" и представляет собой по сути дела программный интерфейс между биржевыми базами данных и базовой системой "Эйдос".

Система "Эйдос-фонд" обеспечивает прогнозирование динамики курсов валют и ценных бумаг на 1-й 2-й, 3-й, ... , 30-й день от текущего дня с достоверностью около 85%. Преобразование данных из стандартов биржевых баз данных в стандарт Системы "Эйдос" осуществляется автоматически с помощью специально для этого созданного автором программного интерфейса. В таблице 11 приводится фрагмент биржевой базы данных:

 

Таблица 11 – Фрагмент биржевой базы данных

 

При этом также осуществляется преобразование первичных параметров, т.е. чисел из временных рядов, характеризующих предметную область, во вторичные параметры - характеризующие наступление тех или иных экономических ситуаций (событий). Система "Эйдос" выявляет взаимосвязи между прошлыми и будущими событиями, и, на этой основе, позволяет осуществлять прогнозирование ситуаций. Технические решения, реализованные в данном программном интерфейсе, являются типовыми и могут быть использованы в других приложениях, где необходимо преобразование временных рядов, характеризующих динамику предметной области,  в события, анализируемые системой "Эйдос". При использовании данного приложения были "вновь открыты" многие "сильнодействующие" закономерности валютного и фондового рынка, давно известные специалистам и вписывающиеся в так называемые "фундаментальные" (т.е. содержательные аналитические модели) и "технические" (т.е. феноменологические аналитические) модели [7]. В то же время необходимо подчеркнуть, что было открыто много новых, как правило "более слабых" и специфических закономерностей валютного и фондового рынка, характерных именно для ММВБ на момент проведения работ. Была также обнаружена определенная динамика этих закономерностей. Подход, реализованный на базе системы "Эйдос" во многом является синтезом подходов фундаментальной и технической школ и имеет определенную новизну.

 

3.1.3. Формирование точечных прогнозов

 

На приведенных ниже диаграммах, которые выдает данная система, приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $, рассчитанный с учетом достоверностей точечных прогнозов. Дело в том, в данном приложении на каждый конкретный день получается 30 прогнозов, первый из которых "с позиции во времени" на 30 дней назад, второй - на 29 дней назад, и т.д.

Фрагмент карточки результатов прогнозирования, получающейся на основе данных, имеющихся на текущий день, приводится в таблице 12:

Таблица 12 – Карточка результатов прогнозирования
("точечные прогнозы")

 

Любой прогноз основан на использовании ранее выявленных закономерностей в предметной области. Так как эти закономерности вообще говоря изменяются при прохождении активной системой точки бифуркации, то следует ожидать, что сразу после прохождения системой этой точки адекватность модели будет резко снижаться, а затем плавно возрастать со скоростью, которую называют "скоростью сходимости" за счет синтеза и адаптации новой модели (фактически исследование зависимости адекватности модели от объема выборки показывает, что погрешность модели после прохождения системой точки бифуркации уменьшается по закону близкому по форме к "затухающим колебаниям").

Из этого следует, что выявление причинно-следственных связей между событиями, между которыми было несколько точек бифуркации, вряд  ли имеет смысл. Поэтому увеличение объема фактографической базы для принятия решений само по себе еще не гарантирует повышения  их качества. Более того, учет данных, подчиняющихся закономерностям уже потерявшим силу, вполне может и ухудшить характеристики модели. Свойство модели сохранять адекватность при прохождении точки бифуркации будем называть устойчивостью. Результаты взвешивания "точечных прогнозов" приведены на рисунках 38-40.

Рисунок 38. Точечные прогнозы курса Российского рубля к доллару США, средневзвешенный прогноз и фактический курс (1993-1995)

 

Рисунок 39. Зависимость погрешности средневзвешенного прогноза курса рубля от разброса точечных прогнозов (ММВБ, 1993-1995)

 

Рисунок 40. Сходимость модели по атрибуту: 1246, класс: 219

 

Устойчивость модели, скорость ее сходимости и повышение степени адекватности при изменении объема обучающей выборки являются важнейшими характеристиками модели и определяются ее способностью к выявлению и учету новых закономерностей в предметной области, вступивших в действие после прохождения системой точки бифуркации.

Атрибут 1246: "Количество банков, участвующих в торгах сегодня по сравнению с ним же, 5 дней назад: существенно не отличается (95-105%)".

Класс 219: "На 9-й день понижение курса $ (1-3%)".

Из рисунка 38 видно, что погрешность прогнозирования и разброс точечных прогнозов сильно корреллируют. Таким образом, разброс точечных прогнозов может быть использован как количественный измеритель степени неопределенности состояния системы и позволяет оценить степень близости этого состояния к "детерминистскому" или "бифуркационному".

Из сравнения рисунков 39 и 40 видно, что после прохождения активной системой каждой точки бифуркации начинается колебательный процесс приближения атрибута к новому оптимальному значению, минимизирующему ошибку прогнозирования. После достижения этого состояния значение атрибута практически не изменяется до достижения системой новой точки бифуркации.

Когда разброс точечных прогнозов незначителен (рисунок 38), средневзвешенному прогнозу можно доверять, т.к. система находится на детерминистском участке своего развития, на котором ее поведение хорошо прогнозируется, т.к. закономерности, управляющие этим поведением на детерминистском этапе известны и не изменяются. Если же разброс точечных прогнозов велик, то средневзвешенному прогнозу доверять нельзя, т.к. система находится в бифуркационном состоянии, на котором ее дальнейшее поведение неопределенно, т.к. закономерности, управляющие этим будущим поведением только формируются, еще не определены и не отражены в модели.

 

3.1.4. Формирование средневзвешенного прогноза

 

Каждый точечный прогноз может быть представлен в форме вектора, параллельного оси Y (величина курса доллара США), имеющего определенную направленность, т.е. знак ("+" повышение, "–" понижение), а также величину, модуль, отражающую скорость изменения курса. Кроме того, каждый точечный прогноз имеет свою достоверность, нормированную от 0 до 1. Было принято, что вклад каждого точечного прогноза в средневзвешенный зависит не только от знака и модуля вектора, но от достоверности, которая просто умножается на модуль и уменьшает его пропорционально достоверности. Таким образом, средневзвешенный прогноз является векторной суммой всех точечных прогнозов с учетом их достоверностей. Так как вектора всех точечных прогнозов параллельны оси  Y, то векторную сумму можно заменить их скалярной суммой в координатной форме, в которой направление вектора учитывается просто его знаком:

                               (6. 1)

где:

i

– дата, с которой сделан прогноз.

j

– внутренний номер прогноза, сделанного с i-й даты.

N

– количество прогнозов, сделанных с i-й даты на дату D.

PD

– средневзвешенный прогноз курса доллара США на дату D.

Pij

– модуль и знак j-го точечного прогноза курса доллара США,

   сделанного с i-й даты на дату D.

aij

– оценка достоверности j-го точечного прогноза курса доллара США, сделанного с i-й даты на дату D (формируется системой "Эйдос" автоматически на основе данных, представленных системой окружения "Эйдос-фонд")

 

Необходимо отметить, что учитываются только те точечные прогнозы, которые имеют положительное сходство с ситуацией, реально сложившейся на фондовом рынке. В результате средневзвешенный прогноз показывает, что "скорее всего произойдет на фондовом рынке".

Прогнозы, имеющие отрицательное сходство, также могут быть обобщены по аналогичной методике, но полученный средневзвешенный прогноз  будет означать "чего точно не произойдет на фондовом рынке".

 

3.1.5. Оценка адекватности модели

 

Адекватность модели определяется несколькими способами:

1. Путем численного эксперимента, т.е. ретроспективного прогнозирования по данным обучающей выборки (внутренняя валидность).

2. Путем экспериментально сопоставления прогнозируемого и фактического развития активного объекта (внешняя валидность).

И внутренняя, и внешняя валидность может определяться в разрезе по классам (дифференциальная) или как средневзвешенная по всем классам (интегральная валидность). При исследовании системно-когнитивной модели было обнаружено, что ошибка прогнозирования курса Российского рубля по отношению к доллару США зависит от прогнозируемой ситуации, т.е. дифференциальная валидность существенно отличается от интегральной.

Фрагмент отчета по результатам измерения внутренней дифференциальной и интегральной валидности приведены в таблице 13:

 

Таблица 13 – Измерение внутренней дифференциальной
и интегральной валидности семантической информационной модели фондового рынка

 

Прохождение системой точек бифуркации изменяет значения атрибута, но не изменяет его смысла по отношению к рассмотренным классам, т.е. не изменяет семантического портрета атрибута, поэтому данный вид устойчивости предлагается называть "Семантическая устойчивость".

Из рисунков 38-40 хорошо видно, что погрешность прогнозирования и разброс точечных прогнозов резко возрастают синхронно с "обвалами" рубля. При искусственном (волевом) "удержании" курса рубля, которое обычно следует за периодами его "обвала", прогноз сильно отличается от фактического курса. Это можно объяснить тем, что фактически прогнозируется рыночный, а не искусственно установленный курс. Таким образом, разброс точечных прогнозов является количественным измерителем степени неопределенности состояния системы и позволяет классифицировать это состояние как "детерминистское" или "бифуркационное" или оценить степень близости к этим состояниям.

Продолжим глубокую и плодотворную квантовомеханическую аналогию. Высокая степень согласованности точечных прогнозов соответствует высокой степени редукции волновой функции, т.е. состоянию объекта с высокой степенью редукции, в котором плотность вероятности его наблюдения близка к 1 для одного состояния или в некоторой точке и очень мала для остальных. Большой разброс точечных прогнозов соответствует виртуальному состоянию объекта, при котором плотность вероятности его наблюдения распределена по различным состояниям таким образом, что для любого из них достаточно далека от 1. Объект не может находиться одновременно и в полностью виртуальном, и в полностью редуцированном состояниях, при этом количественное соотношение между "степенями редукции и виртуальности" определяется известным соотношением неопределенностей Гейзенберга.

Когда разброс точечных прогнозов незначителен, средневзвешенному прогнозу можно доверять, т.к. система находится на детерминистском участке своего развития, на котором ее поведение хорошо прогнозируется, т.к. закономерности, управляющие этим поведением на детерминистском этапе известны и не изменяются. Если же разброс точечных прогнозов велик, то средневзвешенному прогнозу доверять нельзя, т.к. система находится в бифуркационном состоянии, на котором ее дальнейшее поведение неопределенно, т.к. закономерности, управляющие этим будущим поведением только формируются и еще не определены.

Таким образом, развитые методика, технология и программный инструментарий АСК-анализа позволяют либо надежно прогнозировать развитие активного объекта, либо надежно прогнозировать его переход в бифуркационное состояние, что само по себе также чрезвычайно ценно.

 

3.1.6. Детерминистские и бифуркационные участки траектории

 

При исследовании динамики среднеквадратичного отклонения точенных прогнозов от средневзвешенного (разброс точечных прогнозов от среднего) было обнаружено, что эта характеристика позволяет выделить два основных типа периодов, которые сменяют друг друга:

1. Относительно длительные периоды, характеризующиеся "высокой кучностью точечных прогнозов". Это детерминистские периоды, для которых характерна высокая точность прогнозов, высокое совпадение средневзвешенного прогноза с фактическим курсом доллара США (на уровне 90-95%).

2. Относительно короткие периоды, характеризующиеся высокой степенью разброса точечных прогнозов. Это бифуркационные периоды, для которых характерна низкая точность прогнозов, относительно слабое совпадение средневзвешенного прогноза с фактическим курсом доллара США (на уровне 50-60%).

Необходимо специально отметить, что сам факт наступления бифуркационного периода прогнозируется по величине разброса точечных прогнозов с очень высокой достоверностью (около 95%), а что произойдет конкретно в бифуркационный период с  курсом доллара США и рубля спрогнозировать вообще не представляет проблемы, т.к. всегда происходило одно и то же: во все эти "черные вторники и четверги" происходил катастрофический курса обвал рубля по отношению к доллару.

 

3.1.7. Прогнозирования времени перехода системы в бифуркационное состояние

 

Остановимся подробнее на прогнозе перехода активного объекта в бифуркационное состояние. Прежде всего, если говорить о Российском фондовом рынке, то многолетний опыт его исследования убедительно свидетельствует, что в точках бифуркации неизменно происходит "обвал" рубля. Но в возможности прогнозирования сроков перехода системы в состояние бифуркации содержится и значительно более глубокий смысл, состоящий в том, что имеется теоретическая и практическая возможность определения сроков окончания любого дела на основании сроков его начала и данных о ходе реализации. Это и прогнозирование срока окончания ВУЗа по данным о сдаче сессий, прогнозирование сроков безотказной эксплуатации различных технических систем (от мобильной энергоустановки до сложной территориально распределенной энергосистемы), "сроков жизни" различных организмов, а также экономических, общественных, военных, политических и государственных организаций, и т.п. и т.д. Примерно также по изучению участка траектории снаряда специалисты по баллистике определяют точку его вылета и предполагаемую цель.

 

3.1.9. Исследование семантической информационной модели

Рассмотрим каким образом в предложенной технологии решаются некоторые проблемы, сформулированные в теоретической части данного исследования:

Кратко рассмотрим на примере исследования фондового рынка основные параметры семантической информационной модели предметной области:

1. Способ взвешивания точечных прогнозов.

2. Ослабление влияния факторов со временем

3. Старение информации и периоды эргодичности процессов в предметной области.

4. Время реакции системы на изменение факторов (ригидность).

5. Автоколебания системы.

6. Детерминистские и бифуркационные участки траектории.

7. Управление фондовым рынком на детерминистских участках траектории и в точках бифуркации.

Ослабление влияния факторов со временем

Разработка методики прогнозирования основывалась на предположении о том, что факторы в среднем должны оказывать тем меньшее воздействие на текущую ситуацию на фондовом рынке, чем больше прошло времени со времени окончания их действия. Поэтому в реализованной методике учитывались факторы, действующие в течение прошедшего месяца. Специальное исследование, проведенное после разработки методики, показало, что факторы, действующие примерно 30 дней до возникновения текущей ситуации на фондовом рынке, незначительно отличаются по силе влияния на фондовый рынок от факторов, действующих 10 или 20 дней назад. Это означает, что в принципе оправдано было бы взять и значительно больший предстоящий период, например 6 месяцев, в течение которого учитывалось бы действие факторов на текущую ситуацию. Для определения длины предстоящего периода необходимо проведение специального исследования с очень большим предстоящим периодом, составляющим, например, несколько лет.

Старение информации и периоды эргодичности процессов в предметной области

В то же время при исследовании зависимости валидности методики от продолжительности предстоящего периода, в течение которого учитывается действие факторов, было обнаружено, что при увеличении этого периода валидность методики сначала возрастает, а затем начинает плавно, а иногда и скачком снижаться. Рост валидности объясняется увеличением статистики базы примеров, что повышает ее представительность и адекватность. Последующее уменьшение валидности может быть объяснено тем, что закономерности в предметной области изменяются с течением времени, и, поэтому, очень старые данные основаны на иных закономерностях, чем действующие в настоящее время, и значит они уже не повышают адекватность методики, а снижают ее, по сути искажают картину.

Периоды времени, в течение которых закономерности в предметной области существенно не меняются, называются периодами эргодичности. Именно на эр годичных периодах неадаптивные АСУ сохраняют свою адекватность. Эргодичность процессов нарушается либо в результате длительного действия эволюционных изменений в предметной области, которые в конце концов приводят к ее качественному изменению, или в результате действия кратковременных революционных (качественных, скачкообразных) изменений.

Для каждой методики должны быть определены периоды эргодичности, т.к. при выходе за эти периоды необходима адаптация старой или разработка новой методики.

Автоколебания фондового рынка

При исследовании чередования детерминистских и бифуркационных этапов в развитии активных объектов методами корреляционного анализа и конечных разностей были обнаружены автоколебания средневзвешенного прогноза, разброса точечных прогнозов и ошибки средневзвешенного прогноза на фондовом рынке с периодичностью около одной недели и одного месяца (рисунок 41):

 

Рисунок 41. Автоколебания фондового рынка (ММВБ, 1993-1995)

В качестве варианта содержательного объяснения полученных результатов (т.е. их интерпретации) можно предположить, что именно с этой периодичностью на фондовом рынке в 1993-1994 годах осуществлялись принятие и реализация решений. Причем в субботу и воскресенье принимаются решения на следующую неделю, а в конце месяца – на следующий месяц. Таким образом, можно говорить об уровнях бифуркаций: для достижения цели месяца как закон реализуется некий план, для реализации которого необходимо каждую неделю принимать и реализовать решения так сказать 2-го уровня, подчиненные главному плану и цели месяца.

Предложенные методология, технология, методика и специальный программный инструментарий обеспечивают системно-когнитивный анализ детерменистско-бифуркационной динамики активных объектов и в других предметных областях [3-190]. Однако необходимо отметить, что одной из предпосылок для формирования точечных прогнозов с различных точек во времени является наличие данных мониторинга за достаточно длительный период времени, т.е. отдельных точечных исследований для этого недостаточно.

Изучение графика средневзвешенного прогноза курса доллара США показало, что его автокорреляция имеет ярко выраженную недельную периодичность, т.е. ММВБ в 1994 году имела период собственных колебаний, составляющий одну неделю. Скорее всего это связано с отсутствием торгов в выходные дни.

 

Время реакции системы на изменение факторов (ригидность)

Исследование, проведенное после разработки методики, показало, что наиболее сильное влияние на текущую ситуацию оказывают факторы, действующие неделю назад, а более поздние факторы практически не оказывают на нее никакого влияния. Это означает, что в ММВБ в 1994 году имела высокую "инерционность", "время реакции", "ригидность", составляющую примерно одну неделю. По некоторым данным аналогичный параметр для Лондонской биржи в этот же период времени составлял около 32 секунд.

 

Управление фондовым рынком на детерминистских участках траектории

Из факторов, существенно влияющих на динамику курса доллара США лишь некоторые зависят от решений крупных финансовых негосударственных руководителей, да и то, если они будут действовать скоординировано. Прежде всего это количество банков, участвующих в торгах, а также объем первоначального спроса и предложения. На второй параметр может оказывать существенное влияние Центральный банк, путем крупных интервенций или закупок доллара США.

 

Управление фондовым рынком в точках бифуркации

Однако, в точках бифуркации обычные закономерности фондового рынка нарушаются или практически теряют силу, в игру вступают совсем другие факторы, которые имеют в основном не экономическую, а психологическую природу. Изучение этих факторов и разработка тактики оперативных действий требует прогнозирования динамики курса в течение суток буквально по часам. Такая работа была проведена совместно с Б.Х.Шульман (США). На первом этапе была разработана универсальная формальная классификация, включающая очень большое (заранее избыточное) количество вариантов суточной динамики курса доллара США, которая генерировалась автоматически. Затем было изучено влияние факторов, действующих на фондовом рынке в течение предшествующего месяца. Проведенная работа показала, что:

– не все теоретически-возможные варианты суточной динамики курса фактически реализуются;

– существует возможность надежного прогнозирования суточной динамики курса доллара не только в детерминистские периоды, но и в точках бифуркации.

Это позволяет участникам рынка сознательно и спокойно принимать ответственные решения не только заблаговременно, но и точно привязываясь к времени в течение дня.

В последующем исследования и разработки в этом направлении были продолжены [3-190].

 

3.2. Технические науки

 

В качестве примера применения системно-когнитивного анализа и его инструментария – интеллектуальной системы «Эйдос» для проведения исследований в области технических наук рассмотрим «Задачу управления степенью минерализации и глубиной залегания грунтовых вод на рисовых оросительных системах с целью повышения урожайности и качества риса».

В статье [44] поставлена проблема управления степенью минерализации и глубиной залегания грунтовых вод на рисовых оросительных системах с целью повышения урожайности и качества риса. Показана ее актуальность, сформулирована идея решения. В работе исследуются характеристики исходных данных и на этой основе выдвигаются требования к математической модели, освещены традиционные пути и приведена концепция решения проблемы.

В статье [41] осуществлена когнитивная структуризация и формализация задачи управления степенью минерализации и глубиной залегания грунтовых вод, в результате чего разработаны классификационные и описательные шкалы и градации, с использованием которых закодирована и импортирована в программную систему обучающая выборка.

В статье [42] описывается порядок синтеза, оптимизации и верификации семантической информационной модели управления минерализацией и уровнем грунтовых вод.

В статье [43] описывается порядок исследования семантической информационной модели, предлагается решение задач идентификации и прогнозирования, проводится исследование системы детерминации состояний и функций влияния факторов, системно-когнитивный анализ модели.

В результате проведенного исследования были созданы информационные модели влияния интенсивности сбросов на различных шлюзах рисовой оросительной системы Краснодарского края на уровень грунтовых вод в регионе и уровень их засоления, что позволило выработать научно обоснованные рекомендации по рациональному ведению водного режима в оросительной системе.

 

3.3. Психология

 

3.3.1. Синтез и решение задач управления качеством подготовки специалистов (на примере КЮИ МВД РФ)

 

3.3.1.1. Вводные замечания

 

Решение задач АСУ качеством подготовки специалистов было продемонстрировано в Краснодарском юридическом институте МВД России (КЮИ МВД РФ) на данных 7-летнего лонгитюда. Исследование проведено совместно с Третьяком В.Г., и Лаптевым В.Н. [3-190] на основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995–2002 годы.

Социально-экономический эффект данного исследования обусловлен повышением эффективности вложения средств, направляемых на подготовку и переподготовку кадров, а также на их профессиональную деятельность.

В соответствии с типовой моделью РАСУ АО, представленной на рисунке 42, предложена 2-х уровневая модель предметной области. На 1-м уровне активным объектом управления являлся учащийся, который характеризовался текущим состоянием и предысторией; управляющей системой являлся педагогический процесс, а средой – образовательная среда вуза. На 2-м уровне активным объектом управления был педагогический процесс и образовательная среда вуза в целом, а также профессиональная среда. В проведенном исследовании основное внимание было уделено 1-му уровню РАСУ КПС.

 

Рисунок 42. Обобщенная схема двухуровневой рефлексивной АСУ качеством подготовки специалистов

 

3.3.1.2. Некоторые теоретические аспекты постановки задачи

Эффективность функционирования правоохранительной системы Российской Федерации во многом зависит от профессионализма сотрудников ОВД. Поэтому особый интерес представляет разработка методов моделирования профессиональных траекторий, позволяющих прогнозировать поступление абитуриента в вуз, показатели его академической успеваемости в период обучения по различным специальностям, дисциплинам и циклам дисциплин, а также то, закончит ли он обучение в вузе, как и сколько он мог бы  работать после окончания вуза по различным специальностям.

Для решения этой проблемы предлагается двухуровневая модель предметной области, уровни которой отличаются объектом управления, целями управления, управляющей системой и факторами, характеризующими объект управления, управляющую систему и окружающую среду. На первом уровне объектом управления является учащийся, который характеризуется текущим состоянием и предысторией; управляющей системой является педагогический процесс, а средой – образовательная среда вуза. На втором уровне объектом управления является сам педагогический процесс и даже образовательная среда вуза в целом, а также профессиональная среда; управляющей системой – вышестоящие организации.

В данной работе основное внимание сосредоточено на первом уровне. На этом уровне учащийся рассматривается как активный объект управления, имеющий собственные цели и мотивы их достижения, а также модель окружающей среды, включая управляющую систему. Педагогический процесс рассматриваются как способ управления учащимся. Учитываются все категории факторов, влияющих на характеристики выпускника и молодого специалиста. Это факторы, характеризующие текущее состояние учащегося, его предысторию, факторы педагогического процесса, другие факторы образовательной и профессиональной среды. Цели объекта управления вообще говоря не совпадают с целями управления, в частности они могут полностью не совпадать, а также  частично или полностью совпадать. Управление активным объектом предполагает коррекцию его целей и мотиваций в направлении, сближающим их с целями управления, что может быть достигнуто обучением, стимулированием и другими воздействиями на его систему моделирования, целеполагания и принятия решений.

Одним из основных требований системного анализа является требование полноты и всесторонности рассмотрения предметной области. Исходя из этого требования в качестве факторов, характеризующих текущее состояние учащегося, были выбраны следующие: общая интернальность (по УСК); Интернальность в области достижений (по УСК); Интернальность в области неудач (по УСК); Интернальность в семейных отношениях (по УСК); Интернальность в области служебных отношений (по УСК); Интернальность в области межличностных отношений (по УСК). Интернальность в отношении здоровья (по УСК); Факторы по 16pf опроснику Кэттела; Эргичность предметной деятельности (по Руссалову); Социальная эргичность (по Руссалову); Пластичность в предметной деятельности (по Руссалову); Социальная пластичность (по Руссалову); Темп предметной деятельности (по Руссалову); Социальный темп (по Руссалову); Эмоциональность предметной деятельности (по Руссалову); Социальная эмоциональность (по Руссалову); Склонность к соглашательству; "Шизоидность"; Экстраверсия; Сила процессов возбуждения; Сила процессов условного торможения; Подвижность нервных процессов; Общая активность (по Ямпольскому); Интеллект; Мотивация к достижению цели - к успеху (по Т.Элерсу); Пол; Тип активности личности.

Данные комплексного психологического тестирования учащихся по перечисленным параметрам вводились в систему "Эйдос" вручную. В последующем с учетом опыта подобных исследований совместно с С.Д.Некрасовым была разработана и успешно применена система комплексного психологического тестирования "Эйдос-Y", обеспечивающая: проведение психологического тестирования респондентов с помощью психологических тестов, накопление базы данных результатов тестирования, формирование психологических портретов различной детализации произвольных групп респондентов, автоматизированный транспорт исходных данных для углубленного анализа в универсальную когнитивную аналитическую систему "Эйдос".

В модели учтено три варианта образовательных технологий, применяемых по отношению к лицеистам, студентам (слушателям) и экстернам. Эти технологии отличаются набором учебных дисциплин. Другие факторы образовательной среды не учитывались, т.к. были для всех учащихся общими в связи с тем, что на данном этапе исследование проводилось на примере одного вуза: Краснодарского юридического института МВД РФ (КЮИ МВД РФ).

В качестве прогнозируемых состояний учащихся рассматривались: Поступление в вуз; Успеваемость; Окончание вуза; Успешность профессиональной деятельности; Работает в ОВД; Уволен из ОВД по собств.желанию; Уволен из ОВД за нарушение условий контракта, а также большое количество различных вариантов их детализации.

Для решения поставленной проблемы необходимо накопить данные мониторинга за достаточно длительный период, провести анализ данных мониторинга с целью выявления и изучения "причинно-следственных взаимосвязей" между прогнозируемыми состояниями активного объекта управления и непосредственно или опосредованно измеряемыми факторами, оказывающими влияние на его развитие, построить математическую модель предметной области, обеспечивающую решение задачи прогнозирования развития активного объекта управления под влиянием различных сочетаний факторов, а также обратной задачи прогнозирования, т.е. задачи выработки оптимального многофакторного управляющего воздействия на активный объект управления для перевода его в заданное целевое состояние.

Ключевым при построении математической модели является выбор количественной меры, обеспечивающей учет степени причинно-следственной взаимосвязи исследуемых параметров. Эта мера должна удовлетворять следующим требованиям: 1. Эффективная вычислимость на основе эмпирических данных, полученных непосредственно из опыта. 2. Универсальность, т.е. независимость от предметной области. 3. Единый для различных предметных областей принцип содержательной интерпретации и измеримость в единых единицах измерения. 4. Учет понятий "цели объекта управления", "цели управления". 5. Учет понятий "мощность множества будущих состояний объекта управления". 6. Сопоставимость в пространстве и во времени. 7. Возможность введения метрики и функции принадлежности на базе выбранной количественной меры. В качестве количественной меры, удовлетворяющей всем этим условиям, была предложена модифицированная мера семантической целесообразности информации А.Харкевича.

Математическая модель должна удовлетворять следующим требованиям: содержательная интерпретируемость; эффективная вычислимость на основе эмпирических данных (наличие эффективного численного метода); универсальность; адекватность; сходимость; семантическая устойчивость; сопоставимость результатов моделирования в пространстве и времени; непараметричность; формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение классификация и др.); корректность работы на фрагментарных, неточных и зашумленных данных; возможность обработки данных очень больших размерностей (тысячи факторов и будущих состояний объекта управления); математическая и алгоритмическая ясность и простота, эффективная программная реализуемость.

Модель, удовлетворяющая этим требованиям, основанная на предложенной количественной мере причинно-следственных взаимосвязей событий, была разработана и реализована в универсальной когнитивной аналитической системе "Эйдос".

На основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995 – 2002 годы (7-летний лонгитюд) разработано соответствующее приложение системы "Эйдос", позволяющие продемонстрировать возможность решения сформулированной выше проблемы.

Одним из результатов применения системы "Эйдос" были профессиограммы специальностей, в которых отражены требования предъявляемым к сотрудникам ОВД. Ориентируясь на эти профессиограммы и осуществляется психологическое сопровождение учебного и воспитательного процесса вуза как составной части процесса подготовки квалифицированных кадров для МВД.

Кроме того, были сформированы информационные модели, позволяющие решать следующие задачи прогнозирования:

– поступления в ВУЗ; успешности обучения в вузе по различным дисциплинам и комплексам дисциплин; успешности окончания ВУЗа и причин отчисления; успешности профессиональной деятельности после окончания ВУЗа,  продолжительности профессиональной деятельности по специальности, полученной в ВУЗе, а также причин ухода из ОВД, а также задачу выбора оптимального управления, для перевода активного объекта управления из заданного текущего состояния в заданное целевое состояние.

На этой основе можно заблаговременно принимать решение о целесообразности обучения по тем или иным специальностям для конкретных обучаемых.

С помощью системы "Эйдос" обеспечивается также кластерно-конструктивный анализ предметной области, в т.ч. синтез, адаптация и применение конструктов, отображение результатов анализа в наглядной графической форме семантических сетей и когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина.

Средневзвешенная достоверность прогнозирования на данных, используемых для синтеза модели (внутренняя интегральная валидность), составила в данном исследовании 83%. Внутренняя дифференциальная валидность при решении перечисленных задач колебалась при прогнозировании различных будущих состояний учащихся от 71 до 100% (при этом по двум состояниям корректные обобщенные образы не были сформированы).

Внешняя дифференциальная валидность при прогнозировании успешности службы в ОВД и продолжительности профессиональной деятельности в ОВД (т.е. при прогнозировании на данных, не входящих в обучающую выборку) составила около 80%, что подтверждает работоспособность предлагаемых технологий и их перспективность.

3.3.1.3. Характеристика источников информации, исходных данных и организационно-юридических форм их получения

В 1994 году на уровне руководства КЮИ МВД РФ и УВД Краснодарского края было принято решение о начале исследований, краткое описание которых приведено в данном разделе. Были разработаны и утверждены соответствующие документы. Таким образом, были созданы организационные и юридические условия для сбора и накопления баз данных мониторинга. Ниже приводятся некоторые документы организационно-юридического обеспечения данного исследования:

1. Приказ о начале работ.

2. Приказ о создании экспертного Совета.

3. Ведомости экспертного Совета.

4. Календарный план проведения работ.

5. Письмо, с просьбой предоставить исходную информацию "обратной связи": служебные характеристики на выпускников КЮИ МВД РФ и приложение к нему (для заполнения формализованной служебной характеристики).

6. Сводная учебная ведомость с данными академической успеваемости.

7. Справочники классов и факторов.

Следует отметить сложность решения организационных и юридических вопросов, связанную прежде всего с новаторским характером проводимых работ. Эти вопросы были решены только благодаря пониманию и поддержке со стороны первых лиц.

 

 

3.3.1.4. Мониторинг качества подготовки специалистов

 

В результате мониторинга были получены данные о психологических свойствах личности учащихся, их академической успеваемости по различным дисциплинам и циклам дисциплин (таблица 14), а также данные, характеризующие их как специалистов в период несения службы после окончания института. Необходимо отметить, что решение перечисленных и других вопросов организационного и юридического обеспечения данного исследования потребовало доброй воли и неординарных решений на уровне руководства  КЮИ МВД РФ и ГУВД Краснодарского края и оказалось едва ли не сложнее, чем создание научно-технологического и инструментального обеспечения этой работы (что подтверждают приведенные документы организационно-юридического обеспечения и рисунок 43):

 

Рисунок 43. Письмо с просьбой предоставить служебные характеристики на выпускников КЮИ МВД РФ и приложение к нему

 

Затем эти данные были преобразованы в коды (с помощью специально созданного программного интерфейса, т.е. без ручного ввода) и введены в систему "Эйдос" для последующих обработки и анализа. Необходимо отметить, что использование программного интерфейса для выполнения этих трудоемких и рутинных работ обеспечивает решение подобных задач практически на любых объемах исходных данных.

Таблица 14 –  Данные академической успеваемости

3.3.1.5. Изучение влияния факторов на качество подготовки специалистов и прогнозирование

 

В соответствии с предложенной моделью учащийся рассматривался как активный рефлексивный объект управления, имеющий собственные цели и мотивы их достижения, а также модель окружающей среды, включая модель себя (адекватная и неадекватная самооценка), а также модель учебной среды и управляющей системы. Педагогический процесс рассматриваются как способ управления учащимися (управляющая система). Были учтены все категории факторов, влияющих на характеристики выпускника и молодого специалиста. Это факторы, характеризующие текущее состояние учащегося и его предысторию, факторы педагогического процесса, другие факторы образовательной и профессиональной среды. Цели АОУ в общем случае не совпадают с целями управления. Управляющие воздействия на учащегося включают коррекцию его целей и мотиваций в направлении, сближающим их с целями управления, а также обучение, стимулирование и другие законные воздействия на систему моделирования, целеполагания и принятия решений.

В качестве классов распознавания были выбраны 318 будущих состояний учащихся и выпускников института. В таблице 15 приведены 41 из них, представляющие особый интерес для прогнозирования. Разработана классификация факторов, потенциально влияющих на качество подготовки специалистов и определен полный набор факторов, оказывающих влияние на качество подготовки специалистов (в рамках проводимого исследования) (таблица 16).

На основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995 – 2002 годы (7-летний лонгитюд) с помощью системы "Эйдос" был осуществлен синтез семантической информационной модели, отражающей информационные взаимосвязи между индивидуальными личностными особенностями учащихся и их учебными и профессиональными достижениями. Размерность модели составила: 318 прогнозируемых состояний учащихся и выпускников КЮИ МВД РФ,  129 градаций факторов, 69 прецедентов в обучающей выборке, 76128 фактов. Для каждого фактора определены величина и направление его влияния на качество подготовки специалистов.

 

Таблица 15 – Справочник классов – будущих состояний учащихся и выпускников КЮИ МВД РФ

Таблица 16 – Справочник факторов влияния на учащихся и выпускников КЮИ МВД РФ

Особый интерес представляет изучение влияния форм обучения и типа активности личности на учебные и профессиональные достижения (рисунок 44) и выявление факторов, играющих определяющую роль в детерминации состояния "Успешность профессиональной деятельности – отличная" (рисунок 45):

Рисунок 44. Семантический портрет влияния фактора:
 "Тип активный, гармоничный"

Рисунок 45. Информационный портрет класса: "Успешность профессиональной деятельности – Отличная"

Определение минимального набора относительно независимых факторов, оказывающих определяющее влияние на качество подготовки специалистов осуществляется путем Парето-оптимизации.

Созданное приложение системы "Эйдос" позволило решить следующие задачи (рисунок 46):

1. Прогнозирование поступления в ВУЗ.

2. Прогнозирование успешности обучения по различным специальностям, циклам дисциплин и дисциплинам.

3. Прогнозирования успешности окончания вуза.

Рисунок 46. Пример карточки прогнозирования для конкретного респондента

4. Прогнозирование успешности будущей профессиональной деятельности в разрезе по должностям и специальностям.

5. Прогнозирование продолжительности деятельности по специальности после окончания ВУЗа.

6. Исследование влияния активности и мотивации на учебные и профессиональные успехи.

7. Изучение влияния образовательных технологий на учебные и профессиональные достижения и выработка рекомендаций по управлению образовательными технологиями.

 

3.3.1.6. Анализ результатов и перспективы развития предложенной технологии

 

Предлагаемая модель профессионально-значимых личностных качеств сотрудников ОВД, представленная в виде развернутой характеристики индивидуальных свойств и особенностей их взаимосвязи, отраженная в профессиограммах, необходима для повышения эффективности профессионального отбора и последующей целенаправленной подготовки будущих офицеров милиции, а также выявления степени соответствия выпускников юридического института требованиям профессии следователя, оперативного работника, инспектора ГИБДД и т.д. Каждая из сторон профессиограмм, представляющих важнейшие элементы модели психологических качеств личности сотрудников милиции, отражает, во-первых, определенный цикл профессиональной деятельности, а во-вторых, в ней заложены эталонные личностные качества, навыки, умения и знания, обеспечивающие успех на различных уровнях правоприменительных отношений.

С помощью модели решены следующие задачи прогнозирования, входящие в состав рефлексивной АСУ качеством подготовки специалистов:

1) поступление в вуз;

2) успешность обучения в вузе по различным дисциплинам и циклам дисциплин;

3) успешность окончания вуза;

4) причины отчисления;

5) успешность профессиональной деятельности после окончания вуза;

6) продолжительность профессиональной деятельности по специальности, полученной в вузе;

7) причины ухода из ОВД (средневзвешенная достоверность прогнозирования составила 83%).

Система "Эйдос", как специальное программное средство (инструментарий интеллектуальной обработки информации), продемонстрировала возможность решения задач выбора оптимальной педагогической технологии для перевода учащегося из текущего состояния в заданное целевое состояние. Технология применения системы "Эйдос", разработанная автором для КЮИ МВД РФ, позволяет заблаговременно принимать обоснованные решения о целесообразности обучения конкретных курсантов по тем или иным специальностям.

Таким образом проведенное исследование показало, что определяющую роль в успешности обучения и профессиональной деятельности играет мотивация. Следовательно и мета-управление, направленное на повышение качества подготовки специалистов прежде всего должно быть сориентировано на формирование адекватных мотиваций, а следовательно, ценностей, систем самооценки и оценивания. По-видимому, для этих целей целесообразно применить весь арсенал средств морально-политического воспитания и богатые отечественные традиции патриотического воспитания, а также сравнительно новые методы коррекции систем целеполагания, мотивации, внутреннего и внешнего стимулирования, оценки и самооценки, такие, например, как нейролингвистическое программирование (НЛП). Необходимо также отметить, что полные и достоверные данные об учащихся могут быть получены без их непосредственного тестирования на основе личных дел (в т.ч. фотографий, подчерка), а также с применением компьютерных Y-технологий без сознательного участия респондента.

Проведенное исследование подтверждает эффективность применения АСК-анализа для создания рефлексивных АСУ активными объектами.

Перспективно применение данного инструментария и технологии в режиме адаптации и периодического синтеза модели на систематической основе на выборках значительно большего и постоянно увеличивающегося объема по широкому спектру специальностей, в том числе и на межвузовском и межведомственном уровне. Развитие данного направления исследований и разработок целесообразно осуществить за счет включения в модель данных, характеризующих динамику личностных свойств учащихся, т.е. путем учета данных, полученных в процессе обучения, а не только перед его началом (как в проведенном исследовании), а также путем более детального учета влияния педагогических технологий, учебной, бытовой и профессиональной среды.

 

3.3.2. Формироване психолоических профилей успешных и неуспешных руковолителей

 

В 1997-1998 годах С.Д.Некрасовым было проведено психологическое исследование психологических особенностей профессионального становления руководителя педагогического коллектива[1], в котором в качестве программного инструментария была применена система окружения «Эйдос-Ψ». Это исследование показало, что типы успешных и неуспешных руководителей имеют свои характерные для них психологические особенности личности, которые поддаются выявлению и количественному измерению. На основе этого возможно прогнозирование степени успешности профессиональной деятельности в должности руководителя на основе психологического исследования.

 

3.3.3. Прогнозирование вероятности совершения ошибки оператором в реальном времени на основе его электроэнцефалограммы (ЭЭГ)

 

В 2003-2004 годах автором совместно с к.психол.н. Щукиным Тимуром Николаевичем[2] из Института психологии РАН, к.биол.н. Дороховым В. Б. из Института Высшей Нервной Деятельности и Нейрофизиологии РАН, д.биол.н. профессором Лебедевым А.Н. из Института психологии РАН и Высшей Школы Экономики было проведено исследование, которое показало, что в электроэнцефалограмме оператора, который в ближайшие 11 секунд совершит ошибку,  возникают характерные особенности, которые можно выявить в режиме реального времени и использовать для прогнозирования  вероятности совершения ошибки. Если у оператора повышается вероятность совершения ошибки предлагается выключать его контура управления и использовать для управления резервные возможности системы управления[3].

 

3.3.4. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях

 

В исследовании "экстремальных условий – образа-Я – стиля профессиональной деятельности" как системы, проведенном канд.психол.наук И.А.Наприевым совместно с автором[4], мы исходили из базового представления о том, что личность реагирует не непосредственно на саму ситуацию, а на сложившийся у него образ этой ситуации, и эта реакция опосредована мыслями и чувствами самого человека, т.е. его образом самого себя. Соответственно стиль профессиональной деятельности (конативный компонент образа-Я) зависит от интенсивности экстремальных условий, не непосредственно, а опосредованно: через изменение образа-Я, включающего в частности когнитивные (интеллектуальные), аффективные (эмоциональные) и компоненты ведущих жизненных смыслов.

Проведя экспериментальное исследование обозначенной выше системы и рассмотрев цепь трансформаций образа-Я и стилевых особенностей деятельности было выяснено, что  формирование образа-Я происходит непрерывно. Меняются структурные и содержательные характеристики с калибровкой отдельных его элементов различных модальностей. Стиль деятельности формируется синхронно с трансформацией образа-Я в экстремальных условиях с активизацией наиболее адекватных относительно текущего состояния системы.

Образ-Я и стиль профессиональной деятельности в экстремальных условиях изменяется по выделенной траектории с обозначением маркерных точек на которых происходит его наиболее активное переструктурирование. Формирование стиля профессиональной деятельности также имеет свои динамические характеристики, снижение его вариативности происходит итерационно в два этапа, сужаясь на третьей и шестой градации и увеличивая число стилевых предпочтений на остальных градациях по критерию интенсивности воздействия экстремальных условий. Предпочитая определенный стиль деятельности респондент пытается через него компенсировать определенные характеристики образа-Я присущие субъекту в ходе воздействия на него экстремальных условий.

Полученные данные позволяют прогнозировать изменение типичных характеристик образа-Я и стилей профессиональной деятельности субъекта включенного в процесс выполнения служебно-боевых задач в экстремальных условиях.

Проведенное исследование обозначило ряд вопросов отражающих дальнейшую перспективу изучения этой проблемной области, в которую целесообразно включить:

1.  Внешнюю объективную оценку по критерию профессиональной эффективности.

2.  Изучение не только влияния экстремальных условий на образ-Я, но и бытовых, и не экстремальных факторов связанных с профессиональной деятельностью.

3.  Исследование влияния структурно-содержательных характеристик образа-Я на оценку экстремальности ситуации.

 

3.3.5. Разработка психологических тестов в среде системы «Эйдос» без программирования и их эксплуатация в адаптивном режиме

 

Все версии системы «Эйдос», начиная с самых первых, реализованных на компьютерах Wang 2200C еще в 1987 году[5] всегда обеспечивали многопараметрическую типизацию и системную идентификацию, т.е.:

1. Формирование обобщенных образов классов на основе ряда относящихся к ним конкретных реализаций (прецедентов обучающей выборки), описанных числовыми интервальными и лингвистическими признаками.

2. Определение степени сходства конкретных объектов распознаваемой выборки, описанных числовыми интервальными и лингвистическими признаками, с обобщенными образами классов.

При выполнении п.1 создаются базы знаний, в которых количественно определена сила и направление влияния каждого признака на принадлежность обладающего им объекта к каждому из классов. Эти базы знаний создаются непосредственно на основе фрагментированных зашумленных эмпирических данных большой размерности. Каждый признак, независимо от его природы (значение управляющего фактора или воздействие окружающей среды, физический он, экономический, или психологический и т.д.) и единиц измерения рассматривается в базах знаний с одной единственной точки зрения: какое количество знаний содержится в факте его действия о принадлежности обладающего им объекта к тому или иному классу. Этим обеспечивается решение сложной задачи, которая обычно не решается и даже не ставится в большинстве статистических систем, таких, например, как SPSS и «Статистика», это задача обеспечения сопоставимости обработки различных признаков в пространстве и времени.

Если в качестве признаков рассматривать психологические свойства личности, выявляемые с помощью стандартных психометрических методик и тестов, а в качестве классов – априорную, взятую из опыта или других источников независимую от результатов тестирования и дополнительную к ним информацию о принадлежности респондентов к тем или иным социальным и другим категориям (в качестве которых могут быть взяты, например, нозологические образы, т.е. диагнозы, статьи административного и уголовного кодекса или степень успешности деятельности на различных должностях), то система «Эйдос» на основе обучающей выборки выявит систему детерминации социального статуса респондентов его личностными свойствами и эти модели можно будет использовать для прогнозирования этого социального статуса по личностным свойствам.

Однако жизнь динамична и характер взаимосвязи между личностными свойствами и социальным статусом может со временем изменяться. Кроме того, скорее всего эти взаимосвязи имеют региональные особенности. Поэтому достоверность прогнозирования с применением полученных моделей будет постепенно ухудшаться с течением времени или при их применении в других регионах, чем они разработаны. Это происходит потому, что обучающая выборка, на основе которой были сформированы базы знаний, является репрезентативной по отношению к некоторой генеральной совокупности, которая шире этой выборки в пространстве и времени. Но когда респонденты не относятся к этой генеральной совокупности или находятся на ее границе, то достоверность прогнозирования будет уменьшаться.

Поэтому необходимо следить за достоверностью прогнозирования и когда она начинает уменьшаться до неприемлемого уровня (или несколько раньше) проводить адаптацию интеллектуальных моделей к изменившимся условиям предметной области. Аналогично при использовании интеллектуальных моделей в других регионах необходимо предварительно осуществить их локализацию.

Адаптация и локализация представляют собой процесс пересоздания моделей на основе эмпирических данных, актуальных на текущий момент времени для конкретных регионов. Эти процедуры являются наукоемкими и требуют наличия соответствующего научно-методического и программного инструментария, который есть в системно-когнитивном анализе и системе «Эйдос», но который, как правило, отсутствуют в стандартных психометрических методиках и тестах, как отечественных, так и зарубежных, т.к. их разработчики не собираются делиться с миром своими технологиями и ноу-хау, а делятся только результатами этих технологий, т.е. готовыми тестами с готовыми шкалами. Понятно, что технология имеет стоимость на порядки больше ее продуктов (например, автозавод Тольятти стоит на много дороже конкретного автомобиля Лада-Калина).

По этим причинам практические психологи в службах персонала и в других подразделениях обычно пользуются нелицензионными (т.е. попросту ворованными на компакт-дисках или через Internet), а значит не адаптированными и нелокализованными психологическим методиками, причем очень часто для других целей, чем те, для достижения которых они предназначались их разработчиками. Иначе, как профанацией это не назовешь. И это еще самая мягкая квалификация подобных действий, не учитывающая, например, влияния принимаемых психологами волюнтаристских решений на судьбы людей.

Системно-когнитивный анализ и его программный инструментарий интеллектуальная система «Эйдос-Х++» позволяют корректно и на высоком научно-методическом и технологическом уровне решить эти проблемы.

 

3.3.6. Реализация готовых психологических тестов в среде системы «Эйдос» без програмирования

 

В последнее время особую актуальность приобретает повышение качества образования, в частности высшего образования. Одним из направлений работы, направленных на достижение этой цели, является повышение уровня педагогического мастерства профессорско-преподавательского состава (ППС). Однако чтобы дать каждому преподавателю конкретные научно обоснованные рекомендации по совершенствованию его стиля педагогической деятельности необходимо предварительно идентифицировать его индивидуального стиль и определить особенности этого стиля. Недостатка в самих тестах, предназначенных для подобных целей, не ощущается. Для того чтобы убедиться в этом достаточно обратиться к сайту: http://vsetesti.ru/. В частности для этой цели предназначен тест: «Анализ особенностей индивидуального стиля педагогической деятельности»[6]. Однако, ощущается дефицит в программном инструментарии, обеспечивающем массовое тестирование ППС с сохранением его исходных данных и результатов. В данной статье предлагается подробно рассмотреть и решить эту проблему с помощью интеллектуальной системы «Эйдос-Х++», являющейся программным инструментарием автоматизированного системно-когнитивного анализа. Отметим, что впервые применить систему Эйдос для реализации тестов без программирования предложено в монографии [4] в 1996 году.

На примере теста: «Анализ особенностей индивидуального стиля педагогической деятельности» рассмотрим технологию и методику, не требующую  программирования, обеспечивающую реализацию в среде системы «Эйдос-Х++» тестов различного назначения. Данный тест выбран в качестве примера потому, что он является достаточно актуальным и в тоже время очень простым, т.к. тестовый материал и ключи представляет собой дихотомические текстовые шкалы (лингвистические переменные).

Эта методика включает следующие этапы (рисунок 47):

1. Подготовка Excel-файла исходных данных на основе стимульного материала и ключей (шкал) теста.

2. Автоматизированный ввод данных в систему Эйдос-Х++ из Excel-файла исходных данных с помощью стандартного программного интерфейса системы (формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающее выборки).

3. Синтез и верификация 3-х статистических и 7 интеллектуальных моделей.

4. Определение наиболее достоверной модели и назначение ее текущей.

5. Решение задач тестирования и выработки рекомендаций.

 

Рисунок 47. Последовательность обработки данных,
информации и знаний в системе Эйдос-Х++

 

На первом этапе подготовим Excel-файл, который может быть непосредственно введен в систему Эйдос-Х++ с помощью одного из ее стандартных программных интерфейсов с внешними базами данных (режим 2.3.2.2). Для этого используем методику из 7 шагов.

На рисунке 48 приведен Help данного режима, в котором приведены требования к этому Excel-файлу, из которых вытекает данная методика.

 

Рисунок 48. Help программного интерфейса системы Эйдос-Х++
с вешними базами данных  2.3.2.2.

 

Шаг 1-й. Сначала необходимо зарегистрироваться на сайте http://vsetesti.ru/ чтобы получить полный доступ к информации о тестах.

Шаг 2-й. Затем на этом сайте (http://vsetesti.ru/) выходим на тест «Анализ особенностей индивидуального стиля педагогической деятельности»[7] и выделяем блоком тестовый (т.е. стимульный) материал, т.е. вопросы опросника и копируем его в буфер обмена и вставляем в лист MS Excel-2007(2010)[8] начиная с ячейки A1. Этот тестовый приведен ниже.

 

Тестовый материал

1.           Вы составляете подробный план урока?

2.           Вы планируете урок лишь в общих чертах?

3.           Часто ли Вы отклоняетесь от плана урока?

4.           Отклоняетесь ли Вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?

5.           Вы отводите большую часть урока объяснению нового материала?

6.           Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?

7.           Часто ли Вы обращаетесь к учащимся с вопросами в процессе объяснения?

8.           В процессе опроса много ли времени Вы отводите ответу каждого ученика?

9.           Вы всегда добиваетесь абсолютно правильных ответов?

10.      Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?

11.      Вы часто используете дополнительный учебный материал при объяснении?

12.      Вы часто меняете темы работы на уроке?

13.      Допускаете ли Вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?

14.      Вы сразу отвечаете на неожиданные вопросы учащихся?

15.      Вы постоянно следите за активностью всех учащихся во время опроса?

16.      Может ли неподготовленность или настроение учащихся во время урока вывести Вас из равновесия?

17.      Вы всегда сами исправляете ошибки учащихся?

18.      Вы всегда укладываетесь в рамки урока?

19.      Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?

20.      Вы всегда подробно оцениваете каждый ответ?

21.      Резко ли различаются ваши требования к сильным и слабым ученикам?

22.      Часто ли Вы поощряете за хорошие ответы?

23.      Часто ли Вы порицаете учащихся за плохие ответы?

24.      Часто ли Вы контролируете знания учащихся?

25.      Часто ли Вы повторяете пройденный материал?

26.      Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?

27.      Как Вы думаете, учащимся обычно интересно у Вас на уроках?

28.      Как Вы думаете, учащимся обычно приятно у Вас на уроках?

29.      Вы постоянно поддерживаете высокий темп урока?

30.      Вы сильно переживаете невыполнение учащимися домашнего задания?

31.      Вы всегда требуете четкого соблюдения дисциплины на уроке?

32.      Вас отвлекает «рабочий шум» на уроке?

33.      Вы часто анализируете свою деятельность на уроке?

 

Шаг 3-й. После этого копируем тестовый материал в буфер обмена, ставим курсор на ячейке F1, разворачиваем список на кнопке «Вставить», выбираем опцию «Транспонирование» и кликаем на кнопке OK. В результате у нас в 1-й строке начиная с ячейки F1 появляется список вопросов в качестве наименований колонок Excel-листа. После этого удаляем сам список вопросов в диапазоне A1:A33. Это проще всего сделать, просто выделив блоком колонку A и нажав кнопку Delete.

Шаг 4-й. Потом выделяем блоком всю 1-ю строку (с вопросами), кликаем на правой кнопке мыши, выбираем «Формат ячеек», «Ориентация надписей 90 градусов», разворачиваем список «Формат» на главной ленте и выбираем «Автоподбор ширины столбца», «Высота строки 170».

Шаг 5-й. На сайте http://vsetesti.ru/805/ и выделяем блоком ключ к тесту, т.е. шкалы теста, копируем его в буфер обмена и вставляем в лист MS Excel-2007(2010), начиная с ячейки A2, а затем удаляем пустые строки между наименованиями шкал. Этот ключ теста приведен ниже.

 

Ключ к тесту

ЭИС (15 вопросов): 2,3,5,11,12,13,14,16,17,21,22,26,27,28,29

ЭМС (25): 1,3,4,5,6,7,9,11,12,15,16,17,19,20,22,23,24,25,27,28,29,30,31,32,33.

РИС (17): 2,3,4,6,7,8,9,10,11,13,18,20,22,25,26,27,28.

РМС (16): 1,4,6,7,8,9,10,18,19,20,23,24,25,31,32,33.

 

На совпадение с ключами проверяются коды только тех вопросов из тестового материала, на которые тестируемый ответил «Да». Таким образом, данные вопросы представляют собой текстовые шкалы с двумя градациями (дихотомические), из которых градацию «Нет» вообще можно игнорировать.

 

Шаг 6-й. С сайта http://vsetesti.ru/805/ копируем полные наименования шкал:

– Эмоционально-импровизационный стиль (ЭИС);

– Эмоционально-методический стиль (ЭМС);

– Рассуждающе-импровизационный стиль (РИС);

– Рассуждающе-методичный стиль (РМС);

и вставляем их последовательно в ячейки B1, C1, D1 и E1 Excel-листа, а затем поворачиваем надписи на 90 градусов и подбираем ширину столбцов 1-й строки точно также, как на шаге 4.

Шаг 7-й. На последнем шаге в соответствии с ключами отмечаем звездочкой вопросы, которые учитываются в каждом ключе и удаляем 10 колонок, расположенных правее 33 вопроса.

В результате получим Excel-файл вида (таблица 17):

 

Таблица 17 – Готовая таблица исходных данных
для ввода теста в систему ЭЙДОС-Х++

 

На первый взгляд данная методика может выглядеть несколько усложненной, однако реализация на компьютере этих шагов занимает буквально считанные минуты и фактически осуществляется очень просто и быстро.

На втором этапе вводим Excel-файл исходных данных в систему «Эйдос-Х++» с помощью программного интерфейса 2.3.2.2 (рисунок 49):

Рисунок 49. Вид первого окна программного интерфейса системы Эйдос-Х++
с вешними базами данных  2.3.2.2.

 

Для этого используем методику, приведенную ниже и основанную, как и предыдущая, на требованиях, приведенных в Help режима 2.3.2.2 (рисунок 2). Эта методика включает следующие 4 шага.

Шаг 1-й. Копируем приведенный выше Excel-файл в папку: «Место расположения системы на диске»\AID_DATA\Inp_data\ с именем “Inp_data.xlsx”.

Шаг 2-й. Запускаем режим 2.3.2.2 системы Эйдос-Х++ и задаем в окне, представленном на рисунке 3, следующие параметры:

– тип файла исходных данных: XLSX-MS Excel-2007(2010);

– нули и пробелы считаются отсутствием данных;

– диапазон колонок классификационных шкал: 2-5;

– диапазон колонок описательных шкал: 6-38;

– формализация предметной области (файл исходных данных Inp_data.sxlx);

– равные интервалы с разным числом наблюдений;

– сценарный метод прогнозирования СК-анализа не применять.

Шаг 3-й. После нажатия кнопки ОК появляется отображение процесса открытия и загрузки Excel-файла, а затем появляется второе окно режима 2.3.2.2, представляющее собой специальный калькулятор, позволяющий при наличии числовых классификационных и/или описательных шкал подбирать количество интервалов (градаций) в числовых шкалах (рисунок 50):

Рисунок 50. Вид второго окна программного интерфейса системы Эйдос-Х++
с вешними базами данных  2.3.2.2.

 

В данном случае числовые шкалы отсутствуют, и число градаций задавать нет необходимости и возможности.

Шаг 4-й. При клике на кнопке «Выйти на создание модели» появляется отображение стадии процесса формализации предметной области (рисунок 5):

Рисунок 51. Вид третьего окна программного интерфейса системы Эйдос-Х++
с вешними базами данных  2.3.2.2.

Таким образом, на втором этапе на основе Excel-файла исходных данных создаются классификационные и описательные шкалы и градации, а потом с их использованием и обучающая выборка, т.е. осуществляется формализация предметной области (рисунки 52, 53, 54):

Рисунок 52. Экранная форма режима 2.1 просмотра и корректировки
классификационных шкал и градаций системы Эйдос-Х++

Рисунок 53. Экранная форма режима 2.2 просмотра и корректировки
описательных шкал и градаций системы Эйдос-Х++

Рисунок 54. Экранная форма режима 2.3.1 просмотра и корректировки
обучающей выборки системы Эйдос-Х++

 

На третьем этапе запускается режим 3.5 системы Эйдос-Х++, который обеспечивает синтез и верификацию 3 статистических и 7 интеллектуальных моделей. Окно задания параметров данного режима приведено на рисунке 55 (вид по умолчанию).

Рисунок 55. Вид окна задания параметров режима 3.5 системы Эйдос-Х++

 

На рисунке 56 приведено окно отображения стадии процесса исполнения данного режима (на рисунке вид по окончании работы режима).

 

Рисунок 56. Окна отображения стадии исполнения режима 3.5
системы  Эйдос-Х++  (вид по окончании работы режима)

 

В результате работы режима 3.5 формируются 3 статистических модели и 7 моделей знаний, некоторые из которых приведены в таблицах 18-22:

Таблица 18 – Матрица абсолютных частот (ABS)

Код

Вопрос

Абс. частота

Сумма

1

2

3

4

1

1. Вы составляете подробный план урока?-*

 

1

 

1

2

2

2. Вы планируете урок лишь в общих чертах?-*

1

 

1

 

2

3

3. Часто ли вы отклоняетесь от плана урока?-*

1

1

1

 

3

4

4. Отклоняетесь ли вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?-*

 

1

1

1

3

5

5. Вы отводите большую часть урока объяснению нового материала?-*

1

1

 

 

2

6

6. Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?-*

 

1

1

1

3

7

7. Часто ли вы обращаетесь к учащимся с вопросами в процессе объяснения?-*

 

1

1

1

3

8

8. В процессе опроса много ли времени вы отводите ответу каждого ученика?-*

 

 

1

1

2

9

9. Вы всегда добиваетесь абсолютно правильных ответов?-*

 

1

1

1

3

10

10. Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?-*

 

 

1

1

2

11

11. Вы часто используете дополнительный учебный материал при объяснении?-*

1

1

1

 

3

12

12. Вы часто меняете темы работы на уроке?-*

1

1

 

 

2

13

13. Допускаете ли вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?-*

1

 

1

 

2

14

14. Вы сразу отвечаете на неожиданные вопросы учащихся?-*

1

 

 

 

1

15

15. Вы постоянно следите за активностью всех учащихся во время опроса?-*

 

1

 

 

1

16

16. Может ли неподготовленность или настроение учащихся во время урока вывести вас из равновесия?-*

1

1

 

 

2

17

17. Вы всегда сами исправляете ошибки учащихся?-*

1

1

 

 

2

18

18. Вы всегда укладываетесь в рамки урока?-*

 

 

1

1

2

19

19. Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?-*

 

1

 

1

2

20

20. Вы всегда подробно оцениваете каждый ответ?-*

 

1

1

1

3

21

21. Резко ли различаются ваши требования к сильным и слабым ученикам?-*

1

 

 

 

1

22

22. Часто ли вы поощряете за хорошие ответы?-*

1

1

1

 

3

23

23. Часто ли вы порицаете учащихся за плохие ответы?-*

 

1

 

1

2

24

24. Часто ли вы контролируете знания учащихся?-*

 

1

 

1

2

25

25. Часто ли вы повторяете пройденный материал?-*

 

1

1

1

3

26

26. Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?-*

1

 

1

 

2

27

27. Как вы думаете, учащимся обычно интересно у вас на уроках?-*

1

1

1

 

3

28

28. Как вы думаете, учащимся обычно приятно у вас на уроках?-*

1

1

1

 

3

29

29. Вы постоянно поддерживаете высокий темп урока?-*

1

1

 

 

2

30

30. Вы сильно переживаете невыполнение учащимися домашнего задания?-*

 

1

 

 

1

31

31. Вы всегда требуете четкого соблюдения дисциплины на уроке?-*

 

1

 

1

2

32

32. Вас отвлекает <рабочий шум> на уроке?-*

 

1

 

1

2

33

33. Вы часто анализируете свою деятельность на уроке?-*

 

1

 

1

2

 

Сумма числа признаков

15

25

17

16

73

 

Сумма числа объектов обуч.выборки

1

1

1

1

4

 

На сайте http://vsetesti.ru/805/ дается рекомендация: «Для определения доминирующего стиля педагогической деятельности рекомендуется использовать выраженность того или иного стиля в процентах. Для этого количество баллов, набранное респондентом, по данному стилю, необходимо разделить на общее количество вопросов, входящих в данную шкалу». Этой рекомендации полностью удовлетворяет матрица условных и безусловных процентных распределений 1-го типа, автоматически формируемая системой Эйдос-Х++ в режиме 3.5 и представленная в таблице 19.

Таблица 19 – Матрица условных и безусловных процентных распределений 1-го типа (100% - сумма кол-ва признаков по классу, PRC1)

Код

Наименование

Условные процентные
распределение по ключам

Безусловное процентное распределение по всей выборке

1

2

3

4

1

1. Вы составляете подробный план урока?-*

 

4,000

 

6,250

2,740

2

2. Вы планируете урок лишь в общих чертах?-*

6,667

 

5,882

 

2,740

3

3. Часто ли вы отклоняетесь от плана урока?-*

6,667

4,000

5,882

 

4,110

4

4. Отклоняетесь ли вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?-*

 

4,000

5,882

6,250

4,110

5

5. Вы отводите большую часть урока объяснению нового материала?-*

6,667

4,000

 

 

2,740

6

6. Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?-*

 

4,000

5,882

6,250

4,110

7

7. Часто ли вы обращаетесь к учащимся с вопросами в процессе объяснения?-*

 

4,000

5,882

6,250

4,110

8

8. В процессе опроса много ли времени вы отводите ответу каждого ученика?-*

 

 

5,882

6,250

2,740

9

9. Вы всегда добиваетесь абсолютно правильных ответов?-*

 

4,000

5,882

6,250

4,110

10

10. Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?-*

 

 

5,882

6,250

2,740

11

11. Вы часто используете дополнительный учебный материал при объяснении?-*

6,667

4,000

5,882

 

4,110

12

12. Вы часто меняете темы работы на уроке?-*

6,667

4,000

 

 

2,740

13

13. Допускаете ли вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?-*

6,667

 

5,882

 

2,740

14

14. Вы сразу отвечаете на неожиданные вопросы учащихся?-*

6,667

 

 

 

1,370

15

15. Вы постоянно следите за активностью всех учащихся во время опроса?-*

 

4,000

 

 

1,370

16

16. Может ли неподготовленность или настроение учащихся во время урока вывести вас из равновесия?-*

6,667

4,000

 

 

2,740

17

17. Вы всегда сами исправляете ошибки учащихся?-*

6,667

4,000

 

 

2,740

18

18. Вы всегда укладываетесь в рамки урока?-*

 

 

5,882

6,250

2,740

19

19. Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?-*

 

4,000

 

6,250

2,740

20

20. Вы всегда подробно оцениваете каждый ответ?-*

 

4,000

5,882

6,250

4,110

21

21. Резко ли различаются ваши требования к сильным и слабым ученикам?-*

6,667

 

 

 

1,370

22

22. Часто ли вы поощряете за хорошие ответы?-*

6,667

4,000

5,882

 

4,110

23

23. Часто ли вы порицаете учащихся за плохие ответы?-*

 

4,000

 

6,250

2,740

24

24. Часто ли вы контролируете знания учащихся?-*

 

4,000

 

6,250

2,740

25

25. Часто ли вы повторяете пройденный материал?-*

 

4,000

5,882

6,250

4,110

26

26. Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?-*

6,667

 

5,882

 

2,740

27

27. Как вы думаете, учащимся обычно интересно у вас на уроках?-*

6,667

4,000

5,882

 

4,110

28

28. Как вы думаете, учащимся обычно приятно у вас на уроках?-*

6,667

4,000

5,882

 

4,110

29

29. Вы постоянно поддерживаете высокий темп урока?-*

6,667

4,000

 

 

2,740

30

30. Вы сильно переживаете невыполнение учащимися домашнего задания?-*

 

4,000

 

 

1,370

31

31. Вы всегда требуете четкого соблюдения дисциплины на уроке?-*

 

4,000

 

6,250

2,740

32

32. Вас отвлекает <рабочий шум> на уроке?-*

 

4,000

 

6,250

2,740

33

33. Вы часто анализируете свою деятельность на уроке?-*

 

4,000

 

6,250

2,740

Таблица 20 – Матрица знаний INF1 (частный критерий: количество знаний по А.Харкевичу в миллибитах, 1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак)

Код

Наименование

Количество информации

Сумма

Среднее

Значимость

1

2

3

4

1

1. Вы составляете подробный план урока?-*

 

176

 

384

561

140

183

2

2. Вы планируете урок лишь в общих чертах?-*

415

 

356

 

771

193

224

3

3. Часто ли вы отклоняетесь от плана урока?-*

226

-13

167

 

380

95

120

4

4. Отклоняетесь ли вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?-*

 

-13

167

195

350

88

109

5

5. Вы отводите большую часть урока объяснению нового материала?-*

415

176

 

 

591

148

196

6

6. Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?-*

 

-13

167

195

350

88

109

7

7. Часто ли вы обращаетесь к учащимся с вопросами в процессе объяснения?-*

 

-13

167

195

350

88

109

8

8. В процессе опроса много ли времени вы отводите ответу каждого ученика?-*

 

 

356

384

741

185

214

9

9. Вы всегда добиваетесь абсолютно правильных ответов?-*

 

-13

167

195

350

88

109

10

10. Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?-*

 

 

356

384

741

185

214

11

11. Вы часто используете дополнительный учебный материал при объяснении?-*

226

-13

167

 

380

95

120

12

12. Вы часто меняете темы работы на уроке?-*

415

176

 

 

591

148

196

13

13. Допускаете ли вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?-*

415

 

356

 

771

193

224

14

14. Вы сразу отвечаете на неожиданные вопросы учащихся?-*

738

 

 

 

738

184

369

15

15. Вы постоянно следите за активностью всех учащихся во время опроса?-*

 

500

 

 

500

125

250

16

16. Может ли неподготовленность или настроение учащихся во время урока вывести вас из равновесия?-*

415

176

 

 

591

148

196

17

17. Вы всегда сами исправляете ошибки учащихся?-*

415

176

 

 

591

148

196

18

18. Вы всегда укладываетесь в рамки урока?-*

 

 

356

384

741

185

214

19

19. Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?-*

 

176

 

384

561

140

183

20

20. Вы всегда подробно оцениваете каждый ответ?-*

 

-13

167

195

350

88

109

21

21. Резко ли различаются ваши требования к сильным и слабым ученикам?-*

738

 

 

 

738

184

369

22

22. Часто ли вы поощряете за хорошие ответы?-*

226

-13

167

 

380

95

120

23

23. Часто ли вы порицаете учащихся за плохие ответы?-*

 

176

 

384

561

140

183

24

24. Часто ли вы контролируете знания учащихся?-*

 

176

 

384

561

140

183

25

25. Часто ли вы повторяете пройденный материал?-*

 

-13

167

195

350

88

109

26

26. Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?-*

415

 

356

 

771

193

224

27

27. Как вы думаете, учащимся обычно интересно у вас на уроках?-*

226

-13

167

 

380

95

120

28

28. Как вы думаете, учащимся обычно приятно у вас на уроках?-*

226

-13

167

 

380

95

120

29

29. Вы постоянно поддерживаете высокий темп урока?-*

415

176

 

 

591

148

196

30

30. Вы сильно переживаете невыполнение учащимися домашнего задания?-*

 

500

 

 

500

125

250

31

31. Вы всегда требуете четкого соблюдения дисциплины на уроке?-*

 

176

 

384

561

140

183

32

32. Вас отвлекает <рабочий шум> на уроке?-*

 

176

 

384

561

140

183

33

33. Вы часто анализируете свою деятельность на уроке?-*

 

176

 

384

561

140

183

 

Сумма

5919

2977

3976

5017

17890

 

 

 

Среднее

179

90

120

152

 

136

 

 

Среднеквадратичное отклонение

227

138

136

172

 

 

173

Таблица 21 – Матрица знаний INF3 (частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами)

Код

Наименование

Хи-квадрат

Сумма

Средн

Сред..
квадр.
откл.

1

2

3

4

1

1. Вы составляете подробный план урока?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

2

2. Вы планируете урок лишь в общих чертах?-*

0,589

-0,685

0,534

-0,438

 

 

0,657

3

3. Часто ли вы отклоняетесь от плана урока?-*

0,384

-0,027

0,301

-0,658

 

 

0,473

4

4. Отклоняетесь ли вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

5

5. Вы отводите большую часть урока объяснению нового материала?-*

0,589

0,315

-0,466

-0,438

 

 

0,534

6

6. Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

7

7. Часто ли вы обращаетесь к учащимся с вопросами в процессе объяснения?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

8

8. В процессе опроса много ли времени вы отводите ответу каждого ученика?-*

-0,411

-0,685

0,534

0,562

 

 

0,643

9

9. Вы всегда добиваетесь абсолютно правильных ответов?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

10

10. Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?-*

-0,411

-0,685

0,534

0,562

 

 

0,643

11

11. Вы часто используете дополнительный учебный материал при объяснении?-*

0,384

-0,027

0,301

-0,658

 

 

0,473

12

12. Вы часто меняете темы работы на уроке?-*

0,589

0,315

-0,466

-0,438

 

 

0,534

13

13. Допускаете ли вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?-*

0,589

-0,685

0,534

-0,438

 

 

0,657

14

14. Вы сразу отвечаете на неожиданные вопросы учащихся?-*

0,795

-0,342

-0,233

-0,219

 

 

0,533

15

15. Вы постоянно следите за активностью всех учащихся во время опроса?-*

-0,205

0,658

-0,233

-0,219

 

 

0,438

16

16. Может ли неподготовленность или настроение учащихся во время урока вывести вас из равновесия?-*

0,589

0,315

-0,466

-0,438

 

 

0,534

17

17. Вы всегда сами исправляете ошибки учащихся?-*

0,589

0,315

-0,466

-0,438

 

 

0,534

18

18. Вы всегда укладываетесь в рамки урока?-*

-0,411

-0,685

0,534

0,562

 

 

0,643

19

19. Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

20

20. Вы всегда подробно оцениваете каждый ответ?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

21

21. Резко ли различаются ваши требования к сильным и слабым ученикам?-*

0,795

-0,342

-0,233

-0,219

 

 

0,533

22

22. Часто ли вы поощряете за хорошие ответы?-*

0,384

-0,027

0,301

-0,658

 

 

0,473

23

23. Часто ли вы порицаете учащихся за плохие ответы?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

24

24. Часто ли вы контролируете знания учащихся?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

25

25. Часто ли вы повторяете пройденный материал?-*

-0,616

-0,027

0,301

0,342

 

 

0,443

26

26. Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?-*

0,589

-0,685

0,534

-0,438

 

 

0,657

27

27. Как вы думаете, учащимся обычно интересно у вас на уроках?-*

0,384

-0,027

0,301

-0,658

 

 

0,473

28

28. Как вы думаете, учащимся обычно приятно у вас на уроках?-*

0,384

-0,027

0,301

-0,658

 

 

0,473

29

29. Вы постоянно поддерживаете высокий темп урока?-*

0,589

0,315

-0,466

-0,438

 

 

0,534

30

30. Вы сильно переживаете невыполнение учащимися домашнего задания?-*

-0,205

0,658

-0,233

-0,219

 

 

0,438

31

31. Вы всегда требуете четкого соблюдения дисциплины на уроке?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

32

32. Вас отвлекает <рабочий шум> на уроке?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

33

33. Вы часто анализируете свою деятельность на уроке?-*

-0,411

0,315

-0,466

0,562

 

 

0,517

 

Сумма

 

 

 

 

 

 

 

 

Среднее

 

 

 

 

 

 

 

 

Среднеквадратичное отклонение

0,525

0,400

0,416

0,492

 

 

0,456

Таблица 22 – Матрица знаний INF5 (частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу)

Код

Наименование

ROI

Сумма

Среднее

Ср.
квад.
откл.

1

2

3

4

1

1. Вы составляете подробный план урока?-*

 

1,00

 

1,00

2,00

0,50

0,58

2

2. Вы планируете урок лишь в общих чертах?-*

1,00

 

1,00

 

2,00

0,50

0,58

3

3. Часто ли вы отклоняетесь от плана урока?-*

0,33

0,33

0,33

 

1,00

0,25

0,17

4

4. Отклоняетесь ли вы от плана, заметив пробел в знаниях учащихся или трудности в усвоении материала?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

5

5. Вы отводите большую часть урока объяснению нового материала?-*

1,00

1,00

 

 

2,00

0,50

0,58

6

6. Вы постоянно следите за тем, как усваивается новый материал в процессе объяснения?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

7

7. Часто ли вы обращаетесь к учащимся с вопросами в процессе объяснения?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

8

8. В процессе опроса много ли времени вы отводите ответу каждого ученика?-*

 

 

1,00

1,00

2,00

0,50

0,58

9

9. Вы всегда добиваетесь абсолютно правильных ответов?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

10

10. Вы всегда добиваетесь, чтобы опрашиваемый самостоятельно исправил свой ответ?-*

 

 

1,00

1,00

2,00

0,50

0,58

11

11. Вы часто используете дополнительный учебный материал при объяснении?-*

0,33

0,33

0,33

 

1,00

0,25

0,17

12

12. Вы часто меняете темы работы на уроке?-*

1,00

1,00

 

 

2,00

0,50

0,58

13

13. Допускаете ли вы, чтобы опрос учащихся спонтанно перешел в коллективное обсуждение или объяснение нового учебного материала?-*

1,00

 

1,00

 

2,00

0,50

0,58

14

14. Вы сразу отвечаете на неожиданные вопросы учащихся?-*

3,00

 

 

 

3,00

0,75

1,50

15

15. Вы постоянно следите за активностью всех учащихся во время опроса?-*

 

3,00

 

 

3,00

0,75

1,50

16

16. Может ли неподготовленность или настроение учащихся во время урока вывести вас из равновесия?-*

1,00

1,00

 

 

2,00

0,50

0,58

17

17. Вы всегда сами исправляете ошибки учащихся?-*

1,00

1,00

 

 

2,00

0,50

0,58

18

18. Вы всегда укладываетесь в рамки урока?-*

 

 

1,00

1,00

2,00

0,50

0,58

19

19. Вы строго следите за тем, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно: без подсказок, не подглядывая в учебник?-*

 

1,00

 

1,00

2,00

0,50

0,58

20

20. Вы всегда подробно оцениваете каждый ответ?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

21

21. Резко ли различаются ваши требования к сильным и слабым ученикам?-*

3,00

 

 

 

3,00

0,75

1,50

22

22. Часто ли вы поощряете за хорошие ответы?-*

0,33

0,33

0,33

 

1,00

0,25

0,17

23

23. Часто ли вы порицаете учащихся за плохие ответы?-*

 

1,00

 

1,00

2,00

0,50

0,58

24

24. Часто ли вы контролируете знания учащихся?-*

 

1,00

 

1,00

2,00

0,50

0,58

25

25. Часто ли вы повторяете пройденный материал?-*

 

0,33

0,33

0,33

1,00

0,25

0,17

26

26. Вы можете перейти к изучению следующей темы, не будучи уверенным, что предыдущий материал усвоен всеми учащимися?-*

1,00

 

1,00

 

2,00

0,50

0,58

27

27. Как вы думаете, учащимся обычно интересно у вас на уроках?-*

0,33

0,33

0,33

 

1,00

0,25

0,17

28

28. Как вы думаете, учащимся обычно приятно у вас на уроках?-*

0,33

0,33

0,33

 

1,00

0,25

0,17

29

29. Вы постоянно поддерживаете высокий темп урока?-*

1,00

1,00

 

 

2,00

0,50

0,58

30

30. Вы сильно переживаете невыполнение учащимися домашнего задания?-*

 

3,00

 

 

3,00

0,75

1,50

31

31. Вы всегда требуете четкого соблюдения дисциплины на уроке?-*

 

1,00

 

1,00

2,00

0,50

0,58

32

32. Вас отвлекает <рабочий шум> на уроке?-*

 

1,00

 

1,00

2,00

0,50

0,58

33

33. Вы часто анализируете свою деятельность на уроке?-*

 

1,00

 

1,00

2,00

0,50

0,58

 

Сумма

15,67

21,67

9,67

12,00

59,00

 

 

 

Среднее

0,47

0,66

0,29

0,36

 

0,45

 

 

Среднеквадратичное отклонение

0,77

0,73

0,37

0,44

 

 

0,61

 

Необходимо обратить внимание на то, что весовые коэффициенты в ключах в моделях системы Эйдос-Х++, созданные на основе ключей оригинального теста, отличаются друг от друга (за исключением модели ABS), а в интеллектуальных моделях в общем случае отличаются не только веса, но и знаки весовых коэффициентов (например,        в приведенных моделях INF1– количество знаний по А.Харкевичу и INF3 – Хи-квадрат).

 На четвертом этапе определяется наиболее достоверная модель и назначается текущей для дальнейшего применения.

Шаг 1-й. Из режима 4.1.3.6 видно (см. рисунок 11), что наивысшей достоверностью идентификации и не идентификации обладает модель Inf5 с частными критериями, приведенными в таблице 22 и интегральным критерием, описанным ниже.

 

Рисунок 57. Данные о достоверности статистических моделей и моделей знаний
системы Эйдос-Х++ в созданном интеллектуальном приложении

Таблица 23 – Различные аналитические формы частных критериев
знаний в системе «Эйдос-Х++»

Наименование модели знаний
и частный критерий

Выражение для частного критерия

через
относительные частоты

через
абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами

---

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу

INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj – суммарное количество признаков по j-му классу

INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj – суммарное количество объектов по j-му классу

 

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

,

где: M – количество градаций описательных шкал (признаков);

– вектор состояния j–го класса;

 – вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив–локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

где:

M      – количество градаций описательных шкал (признаков);

      – средняя информативность по вектору класса;

     – среднее по вектору объекта;

    – среднеквадратичное отклонение частных критериев знаний вектора класса;

   – среднеквадратичное отклонение по вектору распознаваемого объекта.

– вектор состояния j–го класса;

 – вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив–локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j–го класса и состояния распознаваемого объекта.

 

Шаг 2-й. Модель, показавшая наивысшую достоверность принимается текущей, для чего применяется режим 5.6 (рисунки 58 и 59):

 

Рисунок 58. Окно режима 5.6 задания в качестве текущей модели,
показавшей наивысшую достоверность

 

Рисунок 59. Окно отображения стадии исполнения режима 5.6, задания
в качестве текущей модели, показавшей наивысшую достоверность

 

Шаг 3-й. Контрольное распознавание в наиболее достоверной модели проводится в режиме 4.1.2 (рисунок 60)

Рисунок 60. Окно отображения стадии исполнения режима 5.6, задания
в качестве текущей модели, показавшей наивысшую достоверность

 

Результаты контрольного распознавания отображаются в режиме 4.1.3.1 (рисунки 61-64), а также в других режимах:

Рисунок 61. Окно результатов идентификации 1-го ключа
с остальными

Рисунок 62. Окно результатов идентификации 2-го ключа
с остальными

 

Рисунок 63. Окно результатов идентификации 3-го ключа
с остальными

 

Рисунок 64. Окно результатов идентификации 4-го ключа
с остальными

Из рисунков 61-64 видно, что все ключи однозначно идентифицируются своими описаниями, но с разной степенью обусловленности.

На пятом этапе решаются задачи тестирования, т.е. распознавания стиля педагогической деятельности и выработки рекомендаций.

Шаг 1-й. Подготовка и ввод данных для тестирования.

Есть два варианта подготовки и ввода в систему исходных данных для тестирования:

1. Ввод в Excel-файл с абсолютно такой же структурой, как представленный в таблице 17, но с именем Inp_rasp.xlsx и информацией не о ключах, а о тестируемых респондентах. В этом случае для ввода данных в систему  используется тот же самый программный интерфейс, что и для ввода обучающей выборки: режима 2.3.2.2, со всеми теми же самыми опциями, кроме одной: надо задать: «Генерация распознаваемой выборки (на основе Inp_rasp)».

2. Ввод данных непосредственно в систему в режиме 4.1.1 (рисунок 65).

Рисунок 65. Экранная форма ручного ввода-корректировки
распознаваемой выборки

Шаг 2-й. Тестирование.

По окончании ввода распознаваемой выборки в режиме 4.1.2 системы Эйдос-Х++ проводится само тестирование (распознавание, идентификация) респондентов. На рисунке 66 приведена экранная форма отображения стадии процесса тестирования после его окончания:

Рисунок 66. Экранная форма ручного ввода-корректировки
распознаваемой выборки

Шаг 3-й. Отображение результатов тестирования и выработка рекомендаций по совершенствованию стиля преподавания.

Как видно из рисунка 66 в результате тестирования создается большое количество различных выходных форм, всесторонне с различной степенью детализации отражающих его результаты и позволяющих провести глубокий анализ этих результатов. В данной статье мы не ставим перед собой это задачи и ограничимся двумя формами:

– отображающей сходство педагогического стиля конкретного преподавателя с ключами (рисунок 67);

– отображающей сходство педагогических стилей различных преподавателей с заданным педагогическим стилем (рисунок 68).

Рисунок 67. Экранная форма, отображающая сходство педагогического стиля проф. Луценко Е.В. с ключами (реальные результаты)

 

Рисунок 68. Экранная форма, отображающая сходство педагогических стилей различных преподавателей с заданным педагогическим стилем: «Эмоционально-импровизационный стиль (ЭИС)»

Данные, приведенные на рисунке 67 необходимы для индивидуальной консультации преподавателя по совершенствованию его педагогического стиля. Однако если преподавателей много, то имеет смысл сделать их группировку по стилю преподавания и провести консультации по группам, для которых характерны различные стили, т.к. для преподавателей каждой из групп рекомендации будут сходными.

Шаг 4-й. Выработка рекомендаций по совершенствованию стиля преподавания.

На сайте http://vsetesti.ru/805/ приведены описание стилей педагогической деятельности, способ интерпретации результатов теста и рекомендации по совершенствованию преподавателем индивидуального стиля своей педагогической деятельности. Поэтому в данной статье мы не будем на них подробно останавливаться, а ниже приведем с данного сайта лишь один большой фрагмент рекомендаций для одного из авторов (проф. Е.В.Луценко).

«Эмоционально-импровизационный стиль (ЭИС)

Вы обладаете многими достоинствами: высоким уровнем знаний, артистизмом, контактностью, проницательностью, умением интересно преподать учебный материал, увлечь учеников преподаваемым предметом, руководить коллективной работой, варьировать разнообразные формы и методы обучения. Ваши уроки отличает благоприятный психологический климат.

Однако Вашу деятельность характеризуют и определенные недостатки: отсутствие методичности (недостаточная представленность в Вашей деятельности закрепления и повторения учебного материала, контроля знаний учащихся). Возможно недостаточное внимание к уровню знаний слабых учеников, недостаточная требовательность, завышенная самооценка, демонстративность, повышенная чувствительность, что обусловливает Вашу чрезмерную зависимость от ситуации на уроке.

В результате у Ваших учеников стойкий интерес к изучаемому предмету и высокая познавательная активность сочетаются с непрочными знаниями, недостаточно сформированными навыками учения.

 

 

Попробуйте

1.    Несколько уменьшить количество времени, отводимого объяснению нового материала;

2.    В процессе объяснения тщательно контролировать, как усваивается материал (для этого через определенные промежутки времени можно обращаться к учащимся с просьбой повторить сказанное или ответить на вопросы).

3.    Никогда не переходите к изучению нового материала, не будучи уверенным, что предыдущий усвоен всеми учениками.

4.    Внимательно относитесь к уровню знаний слабых учеников.

5.    Тщательно отрабатывайте весь учебный материал, уделяя большое внимание закреплению и повторению. Не бойтесь и не избегайте «скучных» видов работы – отработки правил, повторения.

6.    Старайтесь активизировать учащихся не внешней развлекательностью, а вызвать у них интерес к особенностям самого предмета.

7.    Во время опроса больше времени отводите ответу каждого ученика, добивайтесь правильного ответа, никогда не исправляйте сразу ошибки: пусть ошибившийся сам четко сформулирует и исправит свой ответ, а Вы помогайте ему уточнениями и дополнениями. Всегда давайте подробную и объективную оценку каждому ответу.

8.    Повышайте требовательность. Следите, чтобы учащиеся отвечали и выполняли проверочные работы самостоятельно, без подсказок и подглядывания.

9.    Старайтесь подробно планировать урок, выполнять намеченный план и анализировать свою деятельность на уроке».

 

Выводы

Таким образом, можно сделать обоснованный вывод о том, что применение интеллектуальной системы «Эйдос-Х++» обеспечивает реализацию уже разработанных психологических, педагогических и профориентационных тестов без программирования в форме, удобной для массового тестирования, анализа его результатов и выработки индивидуальных рекомендаций.

Материалы данной статьи могут быть использованы в учебном процессе при преподавании дисциплин: «Интеллектуальные информационные системы», «представление знаний в информационных системах», «Современные технологии в образовании (магистратура)», «Управление знаниями (магистратура)», «Введение в искусственный интеллект», «Функционально-стоимостной анализ системы и технологии управления персоналом (магистратура)», «Интеллектуальные и нейросетевые технологии в образовании (магистратура)», «Основы искусственного интеллекта» и других.

 

Перспективы продолжения исследований и разработок

Планируется продолжить направление исследований и разработок, представленное в данной статье, по следующим направлениям:

1. Реализация в среде интеллектуальной системы Эйдос-Х++ без программирования тестов с числовыми исходными данными и ключами.

2. Интеграция в среде интеллектуальной системы Эйдос-Х++ без программирования нескольких тестов в батарею тестов или супертест с одной общей моделью.

 

3.4. Медицина

 

В работе, проведенной совместно с канд.мед.наук Е.В. Сергеевой (Фоминой), М.М.Шеляг и другими [3-190] рассматривается применение нового метода искусственного интеллекта: системно-когнитивного анализа и его инструментария – системы «Эйдос» для оценки уровня неспецифической резистентности организма пациента на основе предоперационной информации о нем, получаемой методом  сердечно-дыхательного синхронизма (СДС) и прогнозирования на этой основе продолжительности послеоперационного реабилитационного периода (Прогнозирование длительности послеоперационного восстановительного периода методом сердечно-дыхательного синхронизма (СДС) с применением АСК-анализа).

В этих работах:

– поставлена проблема прогнозирования автоматизированной количественной интерпретации исходной информации о пациенте, получаемой с помощью аппаратно-программного комплекса СДС-тестирования, а также использования этой информации для прогнозирования длительности послеоперационного восстановительного периода;

– предложена идея решения данной проблемы, состоящая в том, что если изучить, какая форма СДС-кривой является наиболее характерной и наиболее нехарактерной для различных длительностей послеоперационного восстановительного периода, то можно по этой кривой прогнозировать длительность восстановительного периода;

– разработан план исследований и разработок, обеспечивающий реализацию данной идеи решения данной проблемы; для выполнения данного плана предлагается применить технологии искусственного интеллекта, в частности АСК-анализ и его программный инструментарий систему «Эйдос», приведено краткое описание системы «Эйдос» и выполнены свежующие этапы АСК-анализа: когнитивная структуризация предметной области; формализация предметной области; подготовка обучающей выборки; синтез и верификация семантической информационной модели.

Достоверность модели оказалась достаточно высокой для того, чтобы ее можно было корректно использовать для выполнения последующих этапов АСК-анализа, т.е. для решения задач прогнозирования и поддержки принятия решений, а также исследование предметной области путем исследования ее модели, что и планируется сделать в последующих работах.

Основной вывод, который можно сделать на основе созданной семантической информационной модели, состоит в том, что подтверждается гипотеза профессора В.М.Покровского о существенной роли предложенных им элементов СДС-кривой для прогнозирования длительности послеоперационного восстановительного периода. Этот вывод можно обоснованно сделать на основе работ [119, 120], из которых видно, что 7 из 9 наиболее значимых описательных шкал, дающих суммарный вклад по значимости около 40%, являются шкалами, предложенными профессором В.М.Покровским.

Но предложенный авторами подход позволил не только подтвердить гипотезу профессора В.М.Покровского, но и уточнить ее, за счет того, что в приведенной модели количественно оценивается сила и направление влияния элементов СДС-кривой на длительность послеоперационного восстановительного периода.

Кроме того предлагается и развитие этой гипотезы, основанное на том, что все же 2 шкалы из 9 наиболее значимых являются новыми. Кроме того, можно использовать для прогнозирования не 9, а 18 наиболее значимых шкал, дающих суммарный вклад в значимость около 65%, причем все 9 дополнительных шкал являются новыми и предлагаются впервые.

  Предложенный подход позволяет также осуществлять прогнозирование длительности послеоперационного восстановительного периода пациента непосредственно на основе баз данных, получаемых с помощью аппаратно-программного комплекса СДС-тестирования, т.е. позволяет решить проблему, поставленную в данной работе.

Перспективы и гипотезы.

По мере увеличения длительности послеоперационного восстановительного периода закономерно возрастает площадь прямоугольника, со сторонами, образованными длительностью периода СДС и диапазоном СДС на минимуме и максимуме. Предлагается гипотеза, в соответствии с которой этот вторичный параметр может являться одним из самых информативных признаков для прогнозирования длительности послеоперационного восстановительного периода по СДС-кривой пациента.

Автор предполагают, что перспективным является:

1. Развитие описанных технологий и методик их применения на реальных данных больших объемов.

2. Создание необходимой юридической, организационно-финансо-вой, информационно-технической и кадровой инфраструктуры для применения предлагаемых технологий и методик и АСК-анализа для решения задач прогнозирования и поддержки принятия решений на основе метода профессора В.М.Покровского (метод сердечно-дыхательного синхронизма – СДС), и не только с научными целями, но и для практики. Конечно подобные решения можно принимать только на основе положительных результатов достаточно длительных и убедительных экспериментов, имитирующих  работу в реальной клинической практике на основе прогнозов системы «Эйдос».

3. Включение в состав аппаратно-программного комплекса СДС-тестирования универсальной когнитивной аналитической системы «Эйдос», обеспечивающей:

– решение проблемы, поставленной в данной работе, т.е. количественное прогнозирование длительности послеоперационного восстановительного периода;

– развитие метода профессора В.М.Покровского;

– проверку сформулированных гипотез. 

Исследованию этих вопросов автор надеется посвятить последующие работы.

Данное исследование показательно как само по себе, так и в качестве примера применения системы «Эйдос» для выявления взаимосвязей между различными технологиями с одной стороны, и результатами применения этих технологий, с другой.

 

3.5. Исследование глобальных геосистем в космической среде

 

Исследования и разработки в этом направлении выполнены автором совместно с к. ф.-м. н., Ph.D. профессором А.П. Труневым (Торонто, Канада), В.Н. Шашиным (Санкт-Петерург, Россия), Бандык Д.К (Белоруссия) и им посвящено две монографии [14, 18] и десятки статей [57, 67, 70, 72, 86, 87, 90, 102, 104, 109, 110, 111, 116, 121, 124, 125, 126, 152, 166, 175] и ряд других.

К глобальным активным геосистемам относятся ноосфера, биосфера, атмосфера, гидросфера и литосфера. Поведение любого объекта определяется действующими на него внутренними и внешними факторами. Внутренние факторы отражают текущее состояние объекта и предысторию его развития. Внешние факторы можно разделить на зависящие от нашей воли, которые можно рассматривать как управляющие факторы, и независящие от нее, т.е. факторы (влияния) окружающей среды. Для глобальных систем управляющие факторы, по сути, отсутствуют или неизвестны, а факторами окружающей среды, очевидно, являются космические факторы, т.к. именно космос представляет собой окружающую среду для Земли и глобальных активных геосистем.

Активным называется объект, имеющий внутренний источник самодвижения (энергии), систему моделирования себя и окружающей среды, включая внешние управляющие системы, а также собственную систему поддержки принятия решений, т.е. ведущий себя так, как будто он стремится к собственной определенной цели. «Классическими» активными объектами являются системы с участием людей: экономические, социально-психологические, технологические и организационно-технические, а также биологические и экологические системы (включая искусственные экосистемы). Однако и поведение объектов так называемой «неживой» природы, подается блестящему теоретическому описанию на основе представления о том, что они стремятся к некоторой «объективной цели». Это позволяет расширить представление об активных объектах на все объекты и считать представление об абсолютно пассивном объекте чистейшей абстракцией, которой в реальности ничего не соответствует, если не считать Кантовской «вещи в себе». Дело в том, что абсолютно пассивный объект не смог бы взаимодействовать ни с какими объектами.

Тем ни менее вполне оправдано говорить о степени активности объектов и о существовании конструкта, спектра или иерархии объектов по степени их активности: от объектов с очень высокой активностью до объектов с очень низкой активностью. По мнению авторов, активность объекта (системы) однозначно определяется его уровнем системности, т.е. степенью отличия свойств системы от суммы свойств ее элементов. С этой точки зрения спектр систем по их активности выглядит следующим образом: механические, химические, биологические, социально-экономические системы. Между тем уровень системности в свою очередь обусловливается интенсивностью взаимосвязей между элементами системы и сложностью ее внутренней организации, а значит и ее масштабами. Это значит, что чем больше и сложнее система, состоящая из элементов определенной активности, чем больше она включает элементов, тем сложнее могут быть взаимосвязи между ними и тем выше общий уровень системности и активности системы в целом. С другой стороны если системы состоят из одинакового количества элементов, но эти элементы обладают разной сложностью, то и системы будут отличаться по своей сложности. Это значит, что большие и сложные системы, состоящие из очень большого количества относительно простых элементов, могут иметь такой же общий уровень системности, как системы сравнительно небольшого размера, имеющие очень сложную внутреннюю организацию и состоящие из очень сложных элементов.

Поэтому вполне оправданно ввести новое научное понятие удельного уровня системности (или удельной системностью), под которым автор предлагает понимать уровень системности на единицу массы системы.

По удельной системности человек, по-видимому, имеет наивысший уровень системности из известных систем, и, например, намного превосходит, отдельно взятое дерево. Однако по общему уровню системности лесной массив, как экосистема, может быть сопоставимым с человеком или даже превосходить его, вплоть до проявления в системе реагирования элементов, которые мы бы могли квалифицировать как проявления психики. Отдельный вирус не сопоставимо ниже человека по уровню системности, однако, по последним данным эпидемия в целом ведет себя по отношению к людям, изобретающим все новые средства борьбы с ней, как армия, под руководством опытного полководца, осаждающая крепости-города. Автор предлагают гипотезу, согласно которой, не смотря на то, что удельная системность литосферы на многие порядки ниже удельной системности биосферы, не говоря уже о ноосфере (социально-экономических системах), однако, учитывая огромную массу и масштабы литосферы можно предположить, что ее суммарный уровень системности сопоставим с биосферой и даже с ноосферой.

Поведение простых объектов с низким уровнем системности и активности практически полностью определяется внешними факторами. Поведение же активных объектов практически полностью определяется внутренними факторами, т.е. их внутренней организацией, текущим состоянием и предысторией. Внешние факторы также оказывают влияние на поведение активного объекта, но не непосредственно, а опосредованно его внутренней организацией. При этом реагирование активной системы на внешние воздействия осуществляется таким образом, что основную роль играет не мощность или суммарные затраты энергии этих внешних воздействий (как в простых системах), а внутренняя организация этих воздействий, точнее – их информационная составляющая. Конечно, активные системы имеют иерархическое строение и обычно включают некую базовую структуру, имеющую относительно низкий уровень системности. Например, автомобиль в заглушенном состоянии можно рассматривать как систему с низким уровнем системности, и, поэтому, для его транспортировки на стоянку в этом состоянии необходим эвакуатор, однако если автомобиль завести, то практически без затрат энергии на управляющие воздействия можно легко переместить его в ту же точку и даже отбуксировать туда сам эвакуатор.

Развитие активных систем происходит путем чередования периодов эргодичности и точек бифуркации. На периодах эргодичности законы поведения объекта практически не изменяются и накапливаются количественные изменения, которые, в конце концов, приводят к его скачкообразному качественному изменению и переходу в новый период эргодичности. Для активных систем точки бифуркации, по сути, представляют собой точки принятия решений, определяющих эволюцию системы на следующем периоде эргодичности. При этом сами моменты времени, в которые осуществляются переходы активной системы в точки бифуркации могут определяться низко энергетическими, по существу информационными внешними воздействиями, эффект влияния которых абсолютно не сопоставим с их мощностью и общей затраченной энергией.

 

3.6. Сельское хозяйство

 

Первое исследование в этой облсти с применением системы «Эйдос» проведено автором совместно с проф. О.А.Засухиной на базе Кубанского государственного аграрного университета в 1993-1996 годах [3-203]. Предложенные технологии АСК-анализа реализовывалась на базе системы "Эйдос". С помощью сформированной содержательной информационной модели прогнозировались результаты выращивания сельскохозяйственных культур и вырабатывались научно-обоснованных рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции.

Созданная модель включала: объект управления (сельскохозяйственную культуру); классы (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания); факторы управляющей системы (агротехнологии, т.е. нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п.); факторы окружающей среды (вид почв, культуры–предшественники по предшествующим годам и др.).

Размерность модели составила: 35 прогнозируемых результатов выращивания, 188 градаций факторов, 217 прецедентов в обучающей выборке, 18594 факта. На основе предложенной технологии АСК-анализа разработано конкретное приложение, обеспечивающее управление урожайностью и качеством сельскохозяйственных культур путем выбора и применения оптимальной агротехнологии в зависимости от поставленной цели и вида почв, культуры–предшественника, а также ряда других параметров объекта управления и окружающей среды, например, таких как: нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация и др.

При создании методики выполнялись следующие работы:

1. Формулировка целей методики и в соответствии с ними разработка перечня прогнозируемых хозяйственных ситуаций, т.е. результатов выращивания (например, для классификации будущих состояний, в том числе целевых, могут быть использованы "шкала качества" и "шкала количества", рисунок 69):

Рисунок 69. Будущие состояния объекта управления: количественные
и качественные результаты выращивания сельхозкультуры
(зерновые колосовые)

 

2. Разработка формализованного паспорта результатов выращивания сельхозкультур, позволяющего описать в пригодной для компьютерной обработки форме результаты выращивания конкретной сельхозкультуры на конкретном поле и по конкретной технологии. Формализованный паспорт может состоять из двух частей: первая из них содержит шкалы, описывающие не зависящие от воли человека факторы, вторая – технологические факторы, которые можно рассматривать как средство достижения желаемых хозяйственных результатов (рисунок 70).

Рисунок 70. Видеограмма с фрагментом справочника
описательных шкал (факторы)

3. Использование бумажного архива по выращиванию сельхозкультур для заполнения формализованных паспортов и ввода в программную инструментальную систему в качестве примеров выращивания (обучающей выборки) (рисунок 71).

Рисунок 71. Интерфейс ввода обучающей выборки

4. Выявление (на основе предъявленных реальных примеров выращивания сельхозкультур) взаимосвязей между применяемыми технологиями и полученными результатами и формирование информационных портретов по каждому возможному результату выращивания. Информационный портрет хозяйственной ситуации представляет собой перечень технологических факторов с количественным указанием того, какое влияние оказывает каждый из них на осуществление данной ситуации (рисунок 72):

Рисунок 72. Примеры информационных портретов результатов выращивания "высокое количество" и "высокое качество"

 

5. Каждый из технологических факторов на основе приведенных примеров характеризуется тем, какое влияние он оказывает на осуществление каждой (целевой или нежелательной) хозяйственной ситуации (рисунок 73):

 

Рисунок 73. Семантический портрет признака:
"Предшественники – бобовые многолетние травы"

 

6. Сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определение кластеров, наиболее сильно отличаются друг от друга (конструктов). При этом на экспериментальной базе данных был выявлен конструкт "качество–количество", означающий, что для получения высокого качества и большого количества необходимы совершенно противоположные и несовместимые (т.е. невозможные одновременно) почвы: предшественники и агротехнологические приемы (рисунок 74):

 

Рисунок 74. Конструкт классов: "Качество – количество" и семантическая сеть классов по шкалам: "Качество – количество"

 

7. Группировка технологических факторов в кластеры и конструкты. Кластерно-конструктивный анализ факторов показал, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты. Эти факторы предложено использовать для замены друг друга в случае необходимости (рисунок 75):

 

Рисунок 75. Конструкт факторов: "Предшественники бобовые … – Ротация первая…" и семантической сети факторов: "Предшественники – Глубина обработки почвы"

 

8. Проверка способности созданного приложения правильно прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов показала, что валидность оказалась недостаточно высокой для практического применения: на уровне  58%. Причиной этого являются артефакты, из-за которых некоторые хозяйственные ситуации оказались слабо детерминированными (рисунок 76). Удаление артефактов привело к повышению интегральной валидности до 80%, что достаточно для практического использования методики (рисунок 77)

Рисунок 76. Интегральная и дифференциальная валидность методики до исключения артефактов

 

Рисунок 77. Интегральная и дифференциальная валидность методики после исключения артефактов

 

Рисунок 78. Пример карточки прогнозирования для конкретных условий выращивания

Таким образом, были решены две основные задачи:

1. Прогнозирование того, какие хозяйственные результаты наиболее вероятны (а какие практически невозможны) на данном виде почв и с данными предшественниками, а также при условии применения имеющихся в распоряжении агротехнологий. Указана мера сходства прогнозируемой ситуации с каждым будущим состоянием.

2. Разработка рекомендаций по управляющим воздействиям, т.е. консультирование по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат.

Система позволяет оценивать степень достоверности своих прогнозов и рекомендаций по управлению, т.е. она не просто дает рекомендацию, но и количественно оценивает степень ее надежности. Кроме того, система дает характеристику влияния каждого технологического приема и рекомендации по замене желательных, но очень дорогих или не имеющихся в наличии технологических приемов, другими, более дешевыми и доступными, и, при этом, имеющими сходное влияние на хозяйственные результаты.

Таким образом, данная методика позволяет "просматривать" различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии.

В данном исследовании в количественной форме были обнаружены как уже известные закономерности по влиянию предшественников, почв, удобрений, способов вспашки и т.д. на результаты выращивания сельхозкультур, так и новые, ранее неизвестные.

В последющем исследования в этой области были продолжены и по их результатам издано 4 монографии [9, 13, 19, 190] и ряд статей [149, 150, 153, 154].

 

 


[2] Он также является координатором Стратегического общественного движения «Россия 2045»:  http://ru.wikipedia.org/wiki/Россия%202045

[5] См., например, Приложение 2 – Акты внедрения ранних версий системы «Эйдос» данной монографии

[6] На сайте http://vsetesti.ru/ говорится о том, что “В основу методики положен подход, разработанный А.М.Марковой совместно с А.Я.Никоновой. В основу различения стиля в труде учителя авторами были положены следующие признаки». За более подробным педагогическим и психологическим описанием теста отсылаем к этому сайту.

[8] Более ранние версии MS Excel для наших целей малопригодны.