Принципы программной реализации психологического тренажера

Одной из особенностей современных обучающих технологий является применение разнообразных тренажеров, которые позволяют существенно повысить скорость и эффективность обучения специалистов за счет частичной замены дорогостоящей и продолжительной практической работы с испытуемыми на тренировки с использованием компьютерной модели, отражающей основные особенности поведения исследуемого контингента, а также будущего вида его деятельности. Этот подход особенно перспективен при обучении студентов-психологов, которым при работе с психометрическими методиками часто недостает наблюдений, что обусловлено необходимостью значительных затрат различного рода ресурсов, требуемых для получения полезной информации. В статье рассматриваются принцип организации подобного тренажера и опыт его применения.

... Одной из особенностей современных обучающих технологий является применение разнообразных тренажеров, которые позволяют существенно повысить скорость и эффективность обучения специалистов за счет частичной замены дорогостоящей и продолжительной практической работы с испытуемыми на тренировки с использованием компьютерной модели. Такой подход особенно перспективен при обучении студентов-психологов. В этом смысле разработка психологических тренажеров, позволяющих моделировать и исследовать на компьютере результаты, полученные с помощью психометрических методик для различных типов испытуемых, весьма актуальна (лежащая в основе этой работы концепция предложена А. А. Марголисом). Такие системы формируют полезные базовые навыки работы с итоговым протоколом, позволяя при последующей практике в реальных условиях сосредоточиться на освоении особенностей работы с участниками тестирования.

К преимуществам этих обучающих систем также относятся:

• интенсификация процесса обучения; 
• легкая адаптация под любые методики при наличии достаточной выборки;
• возможность тиражирования полезного опыта путем использования для обучения тренажера результатов проверки вновь разработанных методик на тест-группах с их
  последующим занесением в базу данных; 
• повышение доступности знаний, необходимых для специалиста (в том числе путем генерации новых результатов тестирования при недостаточном объеме проведенных наблюдений);
• развитие навыков самостоятельной работы у студентов;
• разгрузка преподавателей от рутинной работы.

Теоретически в основу концепции построения подобных систем и их программной реализации могут быть положены различные принципы организации и математический аппарат: определенные типы нейронных сетей [1–4], экспертные системы [6–8], обучаемые сети Маркова [2; 9; 10] и другие структуры. Однако сравнительный анализ показал, что перечисленные средства, за исключением нейронных сетей, не обеспечивают должную универсальность и простоту адаптации к новым тестам, для каждого из которых фактически приходится разрабатывать отдельный специализированный тренажер. Учитывая простоту обучения и интерпретации полученных результатов, наиболее подходящим типом нейронных сетей для организации психологического тренинга оказались вероятностные сети.

Принципы построения и особенности применения психологического тренажера Тренажер предполагает работу с тестами закрытого типа, в которых испытуемый выбирает один из заранее заданных вариантов ответов и позволяет решать две основные задачи: ...

1. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002.
2. Куравский Л. С., Баранов С. Н., Малых С. Б. Нейронные сети в задачах прогнозирования, диагностики и анализа данных. М.: РУСАВИА, 2003.
3. Нейронные сети. STATISTICA Neural Networks. М.: Горячая линия-Телеком, 2000.
4. Головко В. А. Нейронные сети: обучение, организация и применение. Учеб. пособие. М.: ИПРЖР, 2001.
5. Kuravsky L. S., Baranov S. N. Synthesis of Markov networks for forecasting fatigue failures. n: Proc. Condition Monitoring 2003, Oxford, United Kingdom, July 2003.
6. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Издательский дом «Вильямс», 2003.
7. Джексон П. Введение в экспертные системы. М.: Издательский дом «Вильямс», 2001.
8. Джонс М. Т. Программирование искусственного интеллекта в приложениях. М.: ДМК Пресс, 2004.
9. Kuravsky L. S., Baranov S. N. The concept of multifactor Markov networks and its application to forecasting and diagnostics of technical systems In: Proc. Condition Monitoring 2005, Cambridge, United Kingdom, July 2005.
10. Куравский Л. С., Баранов С. Н., Корниенко П. А. Обучаемые многофакторные сети Маркова и их применение для исследования психологических характеристик // Нейрокомпьютеры: разработка и применение. 2005. № 12.
11. Эйдемиллер Э. Г., Юстицкис В. В. Опросник для анализа семейных взаимоотношений. СПб.: Речь, 2003.