РОССИЙСКАЯ НАУЧНО-СОЦИАЛЬНАЯ ПРОГРАММА ДЛЯ

МОЛОДЁЖИ И ШКОЛЬНИКОВ «ШАГ В БУДУЩЕЕ»

МУНИЦИПАЛЬНАЯ НАУЧНО-ПРАКТИЧЕСКАЯ КОНФЕРЕНЦИЯ

 «ШАГ В БУДУЩЕЕ»

Искусственные нейронные сети и возможности их применения

при оценивании знаний учащихся

Автор: Жабяк Артур Русланович,

обучающийся 11 класса МАОУ «СОШ № 11»

г. Усть-Илимск

Руководитель: Соловьева Юлия Евгеньевна, учитель информатики  МАОУ «СОШ № 11»

г. Усть-Илимск

г. Усть-Илимск

2017 г.

Оглавление

1.        Введение        3

Актуальность темы        3

Формулировка проблемы и гипотезы исследования        4

Цель и задачи, поставленные перед исполнителем работы        4

Краткий обзор используемой литературы и источников        4

Степень изученности данного вопроса        4

Характеристика личного вклада автора в решение избранной проблемы        5

2.        Основная часть        6

Что такое искусственные нейронные сети        6

Каким образом происходит  анализ информации в ИНС        7

Сферы применения искусственных нейронных сетей        9

Каким условиям и требованиям должна отвечать  НС, предназначенная для оценивания качества знаний учащихся средней школы        11

3.        Список литературы, источников        14

Приложение I        16

Приложение 2        18

1. Введение

Актуальность темы

В старших классах, в преддверии получения аттестата,  остро стоит вопрос об оценках, которые в него попадут. Особенно волнующим становится вопрос объективности и справедливости получаемых оценок, как со стороны учащихся, так и со стороны учителей. У меня возникла мысль  о  том, как был бы полезен инструмент, умеющий анализировать качество знаний, и выставлять объективные отметки. Мой интерес к этой теме подтвердил опрос, который я проводил среди учителей и учеников нашей  школы, а также организовал онлайн опрос в социальной сети Контакт, в котором могли поучаствовать все желающие.

Опрос показал, что 42 % учащихся считают, что школьные оценки иногда могут быть завышены или занижены, по разным причинам. В то же время и 31 %  учителей время от времени сталкиваются с некоторыми затруднениями при выставлении оценок. Также ответы на вопрос « Хотели бы вы иметь инструмент (программу, компьютерную систему, пр.) позволяющий оценивать уровень знаний объективно и справедливо?» показал, что большинство опрашиваемых только «За» существование такого инструмента. На вопрос «Будете ли вы доверять этому инструменту?»  81%  участвующих в анкетировании ответили «Да».(Приложение I)

В современном мире человечество активно привлекает для решения  многих  проблем современные технологии. Иногда лучшего всего решить проблемы человека сможет машина, которой присущ человеческий разум, но которая всё ещё остаётся просто машиной. Конечно же, я имею в виду искусственный интеллект. Создать полностью автономный искусственный интеллект человечество пока не в силах, но мы активно продвигаемся к этому. Большим шагом к искусственному интеллекту стало создание искусственных нейронных сетей.

Формулировка проблемы и гипотезы исследования

Нейронные сети уже активно используются во многих сферах для выполнения различных задач  в экономике, медицине, вопросах безопасности, геологии.

Я решил разобраться, возможно ли использовать искусственные нейронные сети для создания инструмента, который бы помог вопрос  выставления объективных оценок.

В результате изучения этой темы я бы хотел поверить гипотезу: Нейронные сети могут быть использованы при оценке знаний учащихся средней школы

Цель и задачи, поставленные перед исполнителем работы

Цель:

сформулировать необходимые условия для создания искусственной нейронной сети, которая могла бы помочь при оценивании качества знаний учащихся

Задачи:

1)        Выяснить сущность Искусственных Нейронных сетей

2)        Выяснить и проиллюстрировать, каким образом происходит анализ информации в ИНС

3)        Сделать обзор сфер применения искусственных нейронных сетей

4)        Выявить условия и требования к НС, которая предназначена для оценивания качества знаний учащихся средней школы

5)        Провести анкетирование по темам: «Возможно ли доверить выставление оценок искусственному интеллекту»

Краткий обзор используемой литературы и источников

Я использовал различные интернет-источники, в том числе научные работы и статьи.

Степень изученности данного вопроса

В сети довольно много информации, касающейся именно нейронных сетей. Что они из себя представляют, историю их возникновения, сферы применения, прогнозы их развития и применения в будущем.  Однако большинство опрашиваемых мной людей, знают об ИНС очень поверхностно, на уровне общих фраз, или даже меньше.

Кроме того, практическая составляющая этой темы также недостаточно разработана, есть потребность в более узких разработках, направленных на решение частных вопросов.

Характеристика личного вклада автора в решение избранной проблемы

При поиске информации на данную тему, я выяснил, что уже существуют некоторые разработки, призванные использовать нейронные сети при оценке знаний. Однако их очень мало, и написаны они высоконаучным, техническим языком.

Я постарался найденную информацию переложить на более доступный и понятный язык, а  для достижении цели данного доклада, вычленил, и проанализировал те критерии, которые необходимо учитывать при оценивании контрольных работ,  а также постарался разобраться  в их значимости для разных предметов.

2. Основная часть

Что такое искусственные нейронные сети

Структура искусственной нейронной сети пришла в мир программирования из биологии. Биологическая нейронная сеть состоит из группы функционально связанных нейронов. Один нейрон может быть связан со многими другими нейронами, а общее количество нейронов и связей в сети может быть достаточно большим. Место контакта нейронов называется синапсом.

Искусственная нейронная сеть – это совокупность аппаратных и программных средств. ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров, искусственных нейронов.  Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи, например, машина обретает способность анализировать и даже запоминать различную информацию.  Другими словами,  нейросеть – это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов (Рис.1, Приложение 2).

Если рассматривать программную составляющую, то искусственный нейрон — это такая функция, которая преобразует несколько входных параметров в один выходной (Рис.2, Приложение 2). Когда выходной параметр достигает/превышает значение,  достаточное для принятия положительного решения, говорят, что достигнут порог возбуждения. Настройкой весов этих параметров , а также порога возбуждения — мы настраиваем адекватность работы нейрона.

Каким образом происходит  анализ информации в ИНС

 Рассмотрим на простом примере.

Например, нужно принять решение о поступлении в высшее учебное заведение (Схема 1). В реальной жизни на решение будут влиять очень много факторов, для простоты примера возьмем 4 фактора:

Х1-количество баллов, необходимых для поступления на бюджет

        1-достаточно баллов

0-недостаточно баллов

Х2-статус города

        1-областной/крупный город в центральной части

        0-небольшой город

Х3-наличие интересующей специальности

        1-есть

        0-нет

        2-есть близкая специальность

Х4-жилье

        1-есть свое

        0-нет своего

        2-дают общежитие

Схема 1. Пример ИНС

Каждый из входных параметров Х1, Х2, Х3 И Х4 имеют влияние на формирование  количественных показателей (вес) «вторичных параметров»: «КОМФОРТ ОБУЧЕНИЯ», «ПЕРСПЕКТИВЫ» и «КОМФОРТ ПРОЖИВАНИЯ». Если суммарный вес вторичных параметров преодолеет порог возбуждения, то будет принято решение поступлении именно в это учебное заведение.

Те суждения, параметры, которые мы получаем между входными и выходными, называются скрытыми. Скрытых слоев может быть не один, как в нашем примере, а несколько. И количество входных параметров тоже может быть достаточно большим. Чем больше «элементов» в нейронной сети, тем сложнее анализ. Наличие огромного количества связей, и скрытых слоев не позволяет понять и проследить все зависимости и глубину суждений такой сети. При правильном подборе входных параметров, адекватной настройке всех «весов» связей, мы получаем ресурс, который может принимать логичное и взвешенное решение, такое, которое мы можем назвать объективным и правильным.

Сферы применения искусственных нейронных сетей

Уже сейчас, в современном мире нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:

• Классификация — распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и т.д.
• Предсказание — возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.
• Распознавание — в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

В каждой предметной области можно найти постановки задач для нейронных сетей. Вот список отдельных областей, где решение такого рода задач имеет практическое значение уже сейчас.

• Экономика и бизнес: прогнозирование временных рядов (курсов валют, цен на сырьё, объемов продаж,..), автоматический трейдинг (торговля на валютной, фондовой или товарной бирже), оценка рисков невозврата кредитов, предсказание банкротств, оценка стоимости недвижимости, выявление переоцененных и недооцененных компаний, рейтингование, оптимизация товарных и денежных потоков, считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.
• Медицина: постановка диагноза больному, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шумов.
• Авионика: обучаемые автопилоты, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета, беспилотные летательные аппараты.
• Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
• Интернет: ассоциативный поиск информации, электронные секретари и автономные агенты в интернете, фильтрация и блокировка спама, автоматическая рубрикация сообщений из новостевых лент, адресные реклама и маркетинг для электронной торговли, распознавание captcha.
• Автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций.
• Робототехника: распознавание сцены, объектов и препятствий перед роботом, прокладка маршрута движения, управление манипуляторами, поддержание равновесия.
• Политологические и социологические технологии: предсказание результатов выборов, анализ опросов, предсказание динамики рейтингов, выявление значимых факторов, кластеризация электората, исследование и визуализация социальной динамики населения.
• Безопасность и охранные системы: распознавание лиц; идентификация личности по отпечаткам пальцев, голосу, подписи или лицу; распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков в компьютерной сети и обнаружение вторжений, обнаружение подделок, анализ данных с видеодатчиков и разнообразных сенсоров.
• Ввод и обработка информации: распознавание рукописных текстов, отсканированных почтовых, платежных, финансовых и бухгалтерских документов.
• Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.

Каким условиям и требованиям должна отвечать  НС, предназначенная для оценивания качества знаний учащихся средней школы

Для отбора  входных параметров для ИНС, которая бы являлась инструментом для выставления оценок за контрольные работы, я провел анализ той информации которую получил от учителей нашей школы. Меня интересовало, на какие критерии обращает учитель внимание при выставлении оценок.

Оказалось, что зачастую сами параметры (те, которые будут входными сигналами) не зависят от предметной области, то есть одни и те же критерии присутствуют при оценивании работ по разным предметам. А вот вес этих параметров может отличаться, и довольно существенно, в зависимости от предмета к предмету.

Например, критерий «полный ответ» важен в гуманитарной области, в то время как в точных науках больше ценится точность формулировок и вычислений. Параметр «грамотная речь»  может не учитываться при выставлении отметки учителем физики, зато является главным критерием при выставлении оценки по литературе.

Поэтому, я не просто выделил критерии, но и обозначил их значимость (вес) в зависимости от того, к какой области относится предмет: точные науки, гуманитарные науки или естественные науки (Таблица 1).

0-несущественный вес

1-существенный вес

2-является главным критерием

Таблица 1. Критерии оценивания контрольных работ

Эти параметры, будут формировать сигналы второго уровня, так называемый «скрытый слой», как мне представляются, это могут быть три параметра:

1. Владение теоретическим материалом (знание материала, умение формулировать грамотно свои мысли)
2. Практические навыки (умение применять знания на практике: в вычислениях, при проведении опытов)
3. Владение методами научного познания (анализ, синтез, умение применять знания в нестандартных ситуациях)

За каждый критерий учитель выставляет баллы: 0 если критерий не соблюден, 1 если соблюден, но с недочетами, и 2, если критерий соответствует всем требованиям.

ИНС анализирует эти данные, учитывая вес этих параметров для данного предмета.  И, уже  основываясь на «весах» критериев «скрытого слоя», система сможет выставить оценку за проверяемую работу.

Можно в размышлениях «пойти дальше», и представить, как может быть выставлена не просто оценка за конкретную контрольную работу, а итоговая оценка по предмету.

В начале мы должны загрузить в ИНС базу данных с тестами по различным темам. Тесты должны быть по различным темам и различных уровней сложности. У каждого ученика будет создано своё индивидуальное дело, в которое будут заноситься результаты его тестов. Так система сможет проверять в каких областях знания у каждого ученика пробелы. Таким образом она будет составлять тесты уже с учётом этих пробелов, проверяя восполнил ли каждый ученик пробел. В итоге будет составлена контрольная, которая будет индивидуальна для каждого ученика. Так же можно научиться ИНС изменять тесты таким образом, что возможность списать готовые ответы будет стремится к нулю.

В момент, когда нужно будет выставлять итоговые оценки, ИНС будет иметь данные о том, как работал каждый ученик весь обозреваемый период. В такой системе не будет иметь значения промежуточные итоги, гораздо важнее в ней будет то, что ученик усвоил знания в полной мере. Таким образом система будет выставлять максимально объективные оценки. Перестанут существовать ситуации, когда ученики с высокими оценками не могут показать достойный результат на ЕГЭ.

Заключение

В процессе изучения темы я пришел к выводу, что на основе ИНС возможно создание системы, помогающей при оценке качества знаний учащихся. Подобные системы значительно упростят процедуру оценивания контрольных предметных работ, и позволят системе оценивания быть более прозрачной, и быть минимально подверженной субъективной оценке. Основной проблемой создания такой сети является недостаточность финансирования, так же существуют и технические проблемы, так как подобная ИНС это достаточно сложный проект.

3. Список литературы, источников

1. Жуйков В. В. Система оценки качества знаний студентов на основе нейронных сетей// диссертация  кандидата педагогических наук : 13.00.08 / [Место защиты: Кур. гос. ун-т] - Курск, 2009 - Количество страниц: 173 с. ил. Курск, 2009 173 c.
2. Садыкова Р.Р. Прогнозирование остаточных знаний учащихся с использованием нейронной сети // Технические науки - от теории к практике: сб. ст. по матер. LII междунар. науч.-практ. конф. № 11(47). – Новосибирск: СибАК, 2015.
3. Танрывердиев Илья.  Нейронные сети и искусственный интеллект: автоматизация без границ  [Электронный ресурс], - https://forany.xyz/a-613, Видео
4. Википедия. Искусственная нейронная сеть. [Электронный ресурс], - https://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C  статья
5. Искусственные нейронные сети простыми словами/ [Электронный ресурс], - https://forany.xyz/a-346 
6. Нейронные сети и ИИ: самое сложное — понять, чего мы хотим /[Электронный ресурс], - https://forany.xyz/a-348 -статья
7. Нейронные сети для начинающих. Часть 1// [Электронный ресурс], - https://habrahabr.ru/post/312450/ -статья
8. Нейронные сети//[Электронный ресурс], -http://bibliofond.ru/view.aspx?id=656044 -статья
9. Нейронные сети// http://www.skachatreferat.ru/referaty/%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5-%D0%A1%D0%B5%D1%82%D0%B8/381394.html  -статья

Приложение I

Анкета

1-ый вопрос: Всегда ли вы уверены в объективности и справедливости выставленной оценки? (учащиеся)

Всегда ли вы уверены в объективности и справедливости выставленной оценки? (учителя)

Хотели бы вы иметь инструмент (программу, компьютерную систему, пр.) позволяющий оценивать уровень знаний объективно и справедливо?

Будете ли вы доверять этому инструменту?

Приложение 2

Рисунок 1. Схема искусственной нейронной сети

Рисунок 2. Искусственный нейрон