Реферат: Экспертная система прогнозирования успеваемости студентов в ВУЗах

ВВЕДЕНИЕ

Проблемы прогнозированиярезультатов сессии студентов в высшем учебном заведении в современных рыночныхусловиях являются актуальными по множеству причин. Во-первых, подготовкаквалифицированных специалистов – это одна из главных задач любогообразовательного учреждения. Во-вторых, управление процессом обучения студентовв условиях влияния множества внешних факторов является сложной задачей, как ворганизационном, так и социально-экономическом плане, требующем системногоподхода и разработки новых методов и моделей управления.

Проблема построениямодели, экспертной системы прогнозирования результатов сессиина основании анализа текущей успеваемости, заключается в сложности входящих вмодель данных. При исследовании поведения студентов учтены, как количественныпоказатели, так и качественные, можно сказать, что исходные данные сложноформализируемые.

Целью работы является,построение продукционной модели экспертной системы прогнозированиярезультатов сессии, на основании анализа текущей успеваемости, и ее реализацияв языке логического программирования VisualProlog. Объектом исследованияявляется процесс получения образования в высшем учебном заведении. Предметисследования — методы построения базы знаний в экспертных системах, а именнопродукционная модель.

При построенииэкспертной системы прогнозирования результатов сессии, на основе текущейуспеваемости, выделяют следующие задачи исследования:

1. Сборинформации о объекте исследования, а именно о процессе обучения и системеоценивания студентов всех курсов.

2. Изучениеметодов построения базы знаний и выбор наилучшего.

3. Представлениепродукционной модели построения базы знаний.

4. Изучениемеханизмов логического вывода.

5. Реализацияэкспертной системы в языке логического программирования VisualProlog

Для данной экспертнойсистемы была выбрана продукционная модель построения базы знаний, потому чтоона являются наиболее наглядным средствами представления знаний. Она близка клогическим моделям, что позволяет организовывать на ее базе эффективныепроцедуры вывода, и в то же время более наглядно (чем классические логическиемодели) отражает знания. Продукционная модель привлекает разработчиков своейнаглядностью, высокой модульностью, легкостью внесения дополнений и изменений ипростотой логического вывода.

В результате исследованиябудет создана структура продукционной модели построения баз знаний в экспертнойсистеме прогнозирования результатов сдачи сессии на основе текущейуспеваемости.


РАЗДЕЛ 1. ЭКСПЕРТНЫЕСИСТЕМЫ

В середине семидесятыхгодов в исследованиях по искусственному интеллекту сформировалосьсамостоятельное направление, получившее название экспертные системы. Цельисследований по экспертным системам состоит в разработке программ (устройств),которые при решении задач, трудных для эксперта-человека, получают результаты,не уступающие по качеству и эффективности решениям, получаемым экспертом. Вбольшинстве случаев экспертные системы решают трудно формализуемые задачи илизадачи, не имеющие алгоритмического решения.

Экспертная система — программно-техническое средство, позволяющее пользователю в диалоговом режимеполучать от компьютера консультационную помощь в конкретной предметной области,где сконцентрированы опыт и знания людей-экспертов (специалистов в даннойобласти).

Экспертные системы– программы для компьютера, которые могут воспроизводить процесс решенияпроблемы человеком-экспертом.[1]

Экспертная система — программа, которая использует знания специалистов (экспертов) о некоторойконкретной узкоспециализированной предметной области и в пределах этой областиспособна принимать решения на уровне эксперта-профессионала. [2]

Экспертные системы — прикладные программы ИИ, в которых база знаний представляет собойформализованные эмпирические знания высококвалифицированных специалистов(экспертов) в какой-либо узкой предметной области.[3]

Экспертная система — программа для компьютера, которая оперирует со знаниями в определеннойпредметной области с целью выработки рекомендаций или решения проблем.[3]

В основефункционирования ЭС лежит использование знаний, а манипулирование имиосуществляется на базе эвристических правил, сформулированных экспертами. ЭСвыдают советы, проводят анализ, выполняют классификацию, дают консультации иставят диагноз. Они ориентированы на решение задач, обычно требующих проведенияэкспертизы человеком-специалистом. В отличие от машинных программ, использующийпроцедурный анализ, ЭС решают задачи в узкой предметной области (конкретнойобласти экспертизы) на основе дедуктивных рассуждений. Главное достоинствоэкспертных систем — возможность накапливать знания, сохранять их длительноевремя, обновлять и тем самым обеспечивать относительную независимостьконкретной организации от наличия в ней квалифицированных специалистов.

1.1 Классификация и виды экспертных систем

Для классификации ЭС[5] используют следующие признаки:

1. Способформирования решения;

2. Способучета временного признака;

3. Видиспользуемых данных;

4. Числоиспользуемых источников решения знаний;

По способу формированиярешения ЭС можно разделить на анализирующие и синтезирующие. В системах первоготипа осуществляется выбор решения из множества известных решений на основеанализа знаний, в системах второго типа решение синтезируется из отдельныхфрагментов знаний.

В зависимости отспособа учета временного признака ЭС делят на статические и динамические.Статические ЭС предназначены для решения задач с неизменяемыми в процессерешения данными и знаниями, а динамические ЭС допускают такие изменения.

По видам используемыхданных и знаний различают ЭС с детерминированными и неопределенными знаниями.Под неопределенностью знаний и данных понимаются их неполнота, ненадежность,нечеткость.

ЭС могут создаваться сиспользованием одного или нескольких источников знаний.

1.2 Структура экспертной системы

Типичная статическая ЭСсостоит из следующих основных компонентов (рис. 1.1):

· решателя(интерпретатора);

· рабочейпамяти (РП), называемой также базой данных (БД);

· базызнаний (БЗ);

· компонентовприобретения знаний;

· объяснительногокомпонента;

· диалоговогокомпонента.

База данных(рабочая память) предназначена для хранения исходных и промежуточных данныхрешаемой в текущий момент задачи. Этот термин совпадает по названию, но не посмыслу с термином, используемым в информационно-поисковых системах (ИПС) исистемах управления базами данных (СУБД) для обозначения всех данных (в первуюочередь долгосрочных), хранимых в системе.

База знаний(БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающихрассматриваемую область (а не текущих данных), и правил, описывающихцелесообразные преобразования данных этой области.

Решатель,используя исходные данные из рабочей памяти и знания из БЗ, формирует такуюпоследовательность правил, которые, будучи примененными к исходным данным,приводят к решению задачи.

Компонентприобретения знаний автоматизирует процесс наполнения ЭС знаниями,осуществляемый пользователем-экспертом.

Объяснительныйкомпонент объясняет, как система получила решение задачи (илипочему она не получила решение) и какие знания она при этом использовала, чтооблегчает эксперту тестирование системы и повышает доверие пользователя кполученному результату.

Диалоговый компоненториентирован на организацию дружественного общения с пользователем как в ходерешения задач, так и в процессе приобретения знаний и объяснения результатовработы.

/>

Рис. 1.1. «Структураэкспертной системы»

1.3 Базы знаний и модели представления знаний

База знаний — важнаякомпонента экспертной системы, она предназначена для хранения долгосрочныхданных, описывающих рассматриваемую предметную область (а не текущих данных), иправил, описывающих целесообразные преобразования данных этой области.

В качестве предметнойобласти выбирается узкая (специальная) прикладная область. Далее для созданияЭС в выбранной области собираются факты и правила, которые помещаются в базузнаний вместе с механизмами вывода и упрощения. В отличие от всех остальныхкомпонент ЭС, база знаний — «переменная » часть системы, котораяможет пополняться и модифицироваться инженерами знаний и опыта использованиеЭС, между консультациями (а в некоторых системах и в процессе консультации).

Существует несколькоспособов представления знаний в ЭС, однако общим для всех них является то, что знанияпредставлены в символьной форме (элементарными компонентами представлениязнаний являются тексты, списки и другие символьные структуры). Тем самым, в ЭСреализуется принцип символьной природы рассуждений, который заключается в том,что процесс рассуждения представляется как последовательность символьныхпреобразований.

Существуют динамическиеи статические базы знаний. Динамическая база знаний изменяется со временем. Еесодержимое зависит и от состояния окружающей. Новые факты, добавляемые в базузнаний, являются результатом вывода, который состоит в применении правил кимеющимся фактам. В системах с монотонным выводом факты, хранимые в базезнаний, статичны, то есть не изменяются в процессе решения задачи. В системах снемонотонным выводом допускается изменение или удаление фактов из базы знаний.

Одной из наиболееважных проблем, характерных для систем, основанных на знаниях, являетсяпроблема представления знаний. Это объясняется тем, что форма представлениязнаний оказывает существенное влияние на характеристики и свойства системы. Длятого чтобы манипулировать всевозможными знаниями из реального мира с помощьюкомпьютера, необходимо осуществлять их моделирование. В таких случаяхнеобходимо отличать знания, предназначенные для обработки компьютером, отзнаний, используемых человеком.

При проектированиимодели представления знаний следует учитывать такие факторы, как однородностьпредставления и простота понимания. Однородное представление приводит купрощению механизма управления логическим выводом и упрощению управлениязнаниями. Представление знаний должно быть понятным экспертам и пользователямсистемы. В противном случае затрудняются приобретение знаний и их оценка.Однако выполнить это требование в равной степени, как для простых, так и для сложныхзадач довольно трудно. Обычно, для несложных задач останавливаются на некоторомсреднем (компромиссном) представлении, но для решения сложных и больших задачнеобходимы структурирование и модульное представление.

Типичными моделямипредставления знаний являются:

1. Продукционнаямодель;

2. Модель,основанная на использовании фреймов;

3. Модельсемантической сети;

4. Логическаямодель.

Продукционная модель — модель, основанная на правилах, позволяющая представить знания в видепредложений типа:

Если (условие), то(действие)

В качестве условия идействия в правилах может быть, например, предположение о наличии того илииного свойства, принимающее значение истина или ложь. При этом термин действиеследует трактовать широко: это может быть как директива к выполнению какой-либооперации, рекомендация, или модификация базы знаний – предположение о наличиикакого-либо производного свойства.

При использованиипродукционной модели база знаний состоит из набора правил. Программа,управляющая перебором правил, называется машиной вывода. Чаще всего выводбывает прямой (от данных к поиску цели) или обратный (от цели для ееподтверждения — к данным). Данные — это исходные факты, на основаниикоторых запускается машина вывода — программа, перебирающая правила из базы.

«Фрейм – это структураданных, представляющая стереотипную ситуацию, вроде нахождения внутринекоторого рода жилой комнаты, или сбора на вечеринку по поводу дня рожденияребенка. К каждому фрейму присоединяется несколько видов информации. Часть этойинформации – о том, как использовать фрейм. Часть о том, чего можно ожидатьдалее. Часть о том, что следует делать, если эти ожидания не подтвердятся».

Фрейм — это минимальноевозможное описание сущности какого-либо явления, события, ситуации, процессаили объекта. Минимальность означает, что при дальнейшем упрощении описаниятеряется его полнота, она перестает определять ту единицу знаний, для которойпредназначено. Например, слово «комната» вызывает у слушающих образкомнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами идверью, площадью 6-20 м2 ». Из этого описания ничего нельзя убрать(например, убрав окна мы получим уже чулан, а не комнату), но в нем есть«дырки», — это незаполненные значения некоторых атрибутов — количествоокон, цвет стен, высота потолка. покрытие пола и др. В теории фреймов такойобраз называется фреймом.

Одним из способовпредставления знаний является семантическая сеть. Изначальносемантическая сеть была задумана как модель преставления структурыдолговременной памяти в психологии, но в последствии стала одним из основныхспособов представления знаний в инженерии знаний.

В основе сетевыхмоделей представления знаний лежит идея о том, что любые знания можнопредставить в виде совокупности объектов (понятий) и связей (отношений) междуними. В отличие от продукционных эти модели более наглядны, поскольку любойпример можно представить в виде ориентированного (направленного) графа, вершиныкоторого — понятия, а дуги — отношения между ними.

Понятиями обычновыступают абстрактные или конкретные объекты, а отношения — это связи типа:«это» («is»), «имеет частью» («haspart»), «принадлежит», «любит» и т.п. Характернойособенностью семантических сетей является обязательное наличие трех типовотношений:

1. Класс- элемент класса.

2. Свойство– значение.

3. Примерэлемента класса.

Традиционно впредставлении знаний выделяют логические модели, основанные наклассическом исчислении предикатов первого порядка, когда предметная областьили задача описывается в виде набора аксиом. Основное преимуществоиспользования логики предикатов для представления знаний заключается в том, чтообладающий хорошо понятными математическими свойствами мощный механизм выводаможет быть непосредственно запрограммирован. С помощью этих программ из известныхранее знаний могут быть получены новые знания.

 

1.4 Механизмы логического вывода

При использованиипродукционной модели база знаний состоит из набора правил. Программа,управляющая перебором правил, называется машиной вывода. Механизм выводовсвязывает знания .

Два способаиспользования продукционных правил:

— прямая цепочкарассуждений;

— обратная цепочкарассуждений.

Первый предполагаетобработку информации в прямом направлении (метод сопоставления), когда образцомдля поиска служит левая часть продукционного правила — условие, то есть задачарешается в направлении от исходного состояния к целевому. Это соответствуетстратегии «от данных к цели» или стратегии управления данными.

При втором подходеобработка информации осуществляется в обратном направлении — метод «генерации»или выдвижения гипотезы и ее проверки (стратегия «от цели к данным»).

Пример: Имеетсяфрагмент БЗ из двух правил:

П1: ЕСЛИ «отдых — летом» и «человек — активный», ТО «ехать в горы».

П2: ЕСЛИ «любит солнце»,«отдых летом».

Предположимв систему поступили данные: «человек — активный» и «любит солнце».Прямой вывод:исходя из данных, получить ответ:

Шаг1. Пробуем П 1 не работает — не хватает данных «отдых — летом».

Шаг2. Пробуем П 2, работает, в базу поступает факт «отдых — летом». 2-й проход:

Шаг3. Пробуем П 1, работает, активируя цель «ехать в горы», которая и выступает,например, как совет, который дает система.

Обратныйвывод: подтвердить выбранную цель при помощи имеющихся правил и данных:

Шаг1. Цель — «ехать в горы»:

становятсяновой целью, и имеется правило, где она в правой части.

Шаг2. Цель «отдых летом»:

правилоП 2 подтверждает цель и активизирует ее. 2-й проход:

Шаг3. Пробуем П 1, подтверждается искомая цель.

Выводы по разделу 1

Формализованныеэкспертный систем являются одним из наглядных методов решения задачипрогнозирования результатов сдачи сессии, на основе анализа текущейуспеваемости. Поэтому, построение адекватных моделей, а также разработкаметодов и алгоритмов, позволяющих установить соответствие между параметрамиматематических моделей и реальными системами, является актуальнойнаучно-прикладной задачей


РАЗДЕЛ 2. ПОСТРОЕНИЕПРОДУКЦИОННОЙ МОДЕЛИ БАЗЫ ЗНАНИЙ

 

2.1 Обоснование метода

Для данной экспертнойсистемы была выбрана продукционная модель построения базы знаний, потому чтоона являются наиболее наглядным средствами представления знаний. Она близка клогическим моделям, что позволяет организовывать на ее базе эффективныепроцедуры вывода, и в то же время более наглядно (чем классические логическиемодели) отражает знания. Продукционная модель чаще всего применяется впромышленных экспертных системах. Она привлекает разработчиков своейнаглядностью, высокой модульностью, легкостью внесения дополнений и изменений ипростотой логического вывода.

Модульность— отдельные продукционные правила могут быть добавлены, удалены или изменены вбазу знаний независимо от других, кроме того, модульный принцип разработки(сборки) продукционных систем позволяет автоматизировать их проектирование.

Каждое продукционноеправило — самостоятельный элемент знаний (локальный источник знаний),отдельные продукционные правила связаны между собой только через поток данных,которые они обрабатывают.

Простота интерпретации— «прозрачная» структура продукционных правил облегчает их смысловуюинтерпретацию.

Естественность— знания в виде «что делать и когда» являются естественны ми с точки зренияздравого смысла.

Недостаткипродукционных систем проявляются тогда, когда число правил ста новится большими возникают непредсказуемые побочные эффекты от изменения старого и добавлениянового правила. Кроме того, затруднительна оценка целостного образа знаний,содержащихся в системе.

еще рефераты
Еще работы по информатике, программированию