Принципы программной реализации психологического тренажера

949

Аннотация

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.

Общая информация

Ключевые слова: вероятностная нейронная сеть, компьютерная модель, модель, психометрические методики, радиальный базисный элемент, психологический тренажер

Рубрика издания: Междисциплинарные исследования

Для цитаты: Куравский Л.С., Марголис А.А., Юрьев Г.А. Принципы программной реализации психологического тренажера // Психологическая наука и образование. 2008. Том 13. № 5. С. 182–188.

Полный текст

 

Введение

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)   диагностировать типы испытуемых по распределениям их ответов на тест (прямая задача),

2)   генерировать различные варианты ответов на тесты для испытуемых заданных типов (обратная задача).

Схема построения и особенности применения психологического тренажера представлены на рис. 1.

Вероятностная нейронная сеть, использованная в тренажере, имеет три слоя: входной, радиальный и выходной (рис. 2). Радиальный слой состоит из радиальных базисных элементов, каждый из которых соответствует одному из наблюдений обучающей выборки. Функции активации этих элементов представляют собой гауссовы функции с центрами в соответствующих наблюдениях f(r) = exp(-r2/s2), где - расстояние в евклидовой метрике между вектором входного сигнала x = (x1, x2 xn), представляющим распределение ответов на вопросы теста, и вектором w=(w1, w2 wn), представляющим связанное с данным элементом распределение ответов из обучающей выборки; s - настраиваемый параметр.

Для обучения тренажера необходима выборка ответов на тест закрытого типа группы испытуемых. Распределение ответов для каждого испытуемого известного типа кодируется по правилу «Один-из-N» и запоминается в соответствующем радиальном базисном элементе вероятностной нейронной сети. При кодировании по этому правилу каждому вопросу, предполагающему N возможных вариантов ответов, ставится в соответствие N позиций, каждая из которых может содержать значение 0 или 1. Выбор i- го ответа на вопрос кодируется заданием единицы в i-й позиции и нулевых значений - во всех остальных. При указанном способе представления в данные не вносится искусственное отношение порядка.

Сигналы, снимаемые с выходных элементов, как правило, могут принимать любые значения в диапазоне от 0 до 1. Ошибка е распознавания типа испытуемого по его ответам на тест оценивается как евклидово расстояние между вектором выходных сигналов, представляющим вычисленные оценки вероятностей принадлежности к различным типам, и вектором, кодирующим наблюдаемый тип испытуемого по правилу «Один-из-N»:

где m - число распознаваемых классов, вектор y = (y1,y2 ym) представляет вычисленное распределение мер принадлежности испытуемого к различным типам, а вектор t = (t1, t2 tm) - кодировку наблюдаемого типа испытуемого по указанному правилу. В качестве оценки качества классификации используется среднеквадрати­ческое значение е для контрольной тестовой выборки, элементы которой не использовались при обучении сети.

1 - входной слой, на который подается закодированное по правилу «Один-из-N» распределение ответов испытуемого на вопросы теста; 2 - слой радиальных базисных элементов, каждый из которых соответствует наблюдаемому распределению ответов; 3 - выходной слой, каждый элемент которого соответствует типу испытуемых (кодирование по правилу «Один-из-N»)Полученная структура позволяет решать обратную задачу: создавать выборку ответов, характерных для заданного типа испытуемых.

Особенности программной реализации

Программная реализация рассмотренной концепции психологического тренажера, названного «Электронным ребенком», выполнена Г. А. Юрьевым в среде Borland Delphi. Для представления вероятностных нейронных сетей и хранения вспомогательных данных использовалась база данных SQLLite, обеспечивающая оперативный доступ к информации.

Основными режимами работы с тренажером являются обучение, диагностика и имитация.

В режиме обучения, представленном на рис. 3, вводится информация, необходимая для формирования вероятностной сети, а также название будущей методики, размерность выборки, количество распознаваемых классов и количество вопросов, составляющих методику.

В режиме диагностики (рис. 4) производится выбор используемой вероятностной сети, задается распределение ответов.

В режиме имитации (рис. 5) задаются используемая вероятностная сеть и диагностируемый класс, а также, если в этом есть необходимость, производится подбор оптимальных значений свободного параметра функции активации и параметра принятия решения.

Результаты применения

Обучение тренажера проводилось на 400 бланках тестирования по методике АСВ, проведенного кафедрой дошкольной педагогики и психологии факультета психологии образования МГППУ под руководством проф. И. А. Бурлаковой в 2007 году. При проверке валидности рассматриваемого подхода с помощью тренажера было сгенерированно 400 новых бланков, на которых была обучена новая вероятностная сеть, безошибочно проводившая диагностику на данных, не использованных при вторичном обучении, что подтвердило эффективность разработанной концепции.

Основные выводы и результаты

1.   Разработан и программно реализован обучаемый психологический тренажер, обеспечивающий диагностику различных типов испытуемых и имитацию их ответов на тесты.

2.   Основные возможности психологического тренажера и преимущества реализованной в нем концепции достигаются за счет организации работы этой структуры по правилам вероятностной нейронной сети и универсального формата представления результатов тестирования.

3.   Результаты практического применения психологического тренажера при работе с опросником для анализа семейных взаимоотношений подтвердили целесообразность и эффективность концепции его использования в образовательном процессе.

Литература

  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.

Информация об авторах

Куравский Лев Семенович, доктор технических наук, профессор, декан факультета информационных технологий, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), Москва, Россия, ORCID: https://orcid.org/0000-0002-3375-8446, e-mail: l.s.kuravsky@gmail.com

Марголис Аркадий Аронович, кандидат психологических наук, доцент, ректор, профессор кафедры педагогической психологии, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), Москва, Россия, ORCID: https://orcid.org/0000-0001-9832-0122, e-mail: margolisaa@mgppu.ru

Юрьев Григорий Александрович, кандидат физико-математических наук, доцент, заведующий кафедрой, "Прикладная информатика и мультимедийные технологии" факультета "Информационные технологии", ведущий научный сотрудник молодежной лаборатории информационных технологий для психологической диагностики, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), Москва, Россия, ORCID: https://orcid.org/0000-0002-2960-6562, e-mail: g.a.yuryev@gmail.com

Метрики

Просмотров

Всего: 1324
В прошлом месяце: 4
В текущем месяце: 5

Скачиваний

Всего: 949
В прошлом месяце: 2
В текущем месяце: 0