=Paper=
{{Paper
|id=Vol-1989/paper78
|storemode=property
|title=Имитационная модель процессов обучения и трудоустройства студентов на основе программных агентов с нейросетевой архитектурой (Simulation model of processes of training and employment of students on the basis of software agents with neural network architecture)
|pdfUrl=https://ceur-ws.org/Vol-1989/paper78.pdf
|volume=Vol-1989
|authors=Oleg Fedyayev
}}
==Имитационная модель процессов обучения и трудоустройства студентов на основе программных агентов с нейросетевой архитектурой (Simulation model of processes of training and employment of students on the basis of software agents with neural network architecture)==
https://ceur-ws.org/Vol-1989/paper78.pdf
Имитационная модель процессов обучения и
трудоустройства студентов на основе программных
агентов с нейросетевой архитектурой
О.И. Федяев
к.т.н., доцент, зав. кафедрой программной инженерии
Донецкого национального технического университета
fedyaev@donntu.org
Abstract. In the scientific article built the neural network model of professional
knowledge transfer, depending on the student's mentality. In the scientific arti-
cle developed multi-agent system to simulate the process of finding jobs at the
company.
Keywords: neural network, student mentality, learning, multi-agent simula-
tion model, forecasting, employment
Аннотация. Предложена нейросетевая модель передачи профессиональ-
ных навыков и знаний в зависимости от менталитета студента. Разработа-
на многоагентная система имитационного моделирования процесса тру-
доустройства выпускников вуза.
Ключевые слова: нейросеть, менталитет студента, обучение, мультиа-
гентная имитационная модель, прогнозирование, трудоустройство
В работе рассматривается построение мультиагентной модели рынка труда,
которая позволит анализировать процесс подготовки молодых специалистов и
прогнозировать возможность их трудоустройства. Сама система подготовки
кадров, как объект исследования, является динамической и характеризуется
большой инерционностью. Последствия изменения одного из факторов можно
узнать только по окончанию обучения студентов. Поэтому актуальной как в
экономическом, так и в социальном плане, является разработка моделей, позво-
ляющих оптимизировать затраты на образование и прогнозировать результаты
инновационных преобразований в подготовке кадров.
Структура системы подготовки и трудоустройства молодых специалистов
включает учебное заведение (выпускающие кафедры), студентов (будущих мо-
лодых специалистов) и фирмы (предприятия), принимающие выпускников на
работу. Перечисленные элементы системы территориально удалены друг от
друга, неоднородны по структуре, их деятельность интеллектуальна и дина-
151
мична по своей природе. Все вместе они образуют сложную распределённую
систему, в рамках которой решаются известные задачи по подготовке кадров.
Процессы обучения и трудоустройства студентов в такой системе описать
формально (математически) не представляется возможным. В этом случае целе-
сообразно разрабатывать имитационные модели на основе нейронных сетей,
которые могут обеспечить проведение качественных исследований по этой про-
блеме.
Эти особенности обуславливают целесообразность применения теории ин-
теллектуальных агентов к разработке имитационной модели для анализа и
управления процессами подготовки кадров и их трудоустройства. При этом
возникает сложная, но очень актуальная задача формализации поведения лю-
дей, успешное решение которой откроет перспективы в создании качественно
новых моделей социально-экономических систем [1].
1 Система профессионального обучения и трудоустройства
как объект моделирования
Агентно-ориентированный анализ процессов подготовки и трудоустройства
молодых специалистов показал, что его субъекты взаимосвязаны, образуют
распределённую, неоднородную и интеллектуальную систему. Поэтому имита-
ционная модель таких процессов была представлена в виде совокупности взаи-
модействующих интеллектуальных агентов, показанных на рис.1.
В рамках этой схемы можно решать следующие задачи:
• прогнозирование качества профессионального обучения студентов в зависи-
мости от их личностных характеристик и других факторов;
• оценивание перспективы трудоустройства студентов на этапе их учёбы по
прогнозным данным об остаточных знаниях и навыков по профильным дис-
циплинам;
• моделирование процесса трудоустройства выпускников вуза;
• обеспечение интерактивного обучения студентов, как в компьютерном клас-
се, так и в дистанционном режиме.
2 Прогнозирование качества профессионального обучения
студентов в зависимости от их личностных
характеристик
Задача прогнозирования остаточных компетенций решается на основе применения
нейронных сетей и сводится к разработке нейросетевой модели, способной функ-
ционально описать зависимость получаемых студентом профессиональных знаний
и умений от факторов, влияющих на полноту этих знаний (эта модель будет частью
агента). Данная задача в свою очередь разбивается на две подзадачи.
152
Рис. 1. Схема мультиагентной системы моделирования подготовки и трудоустройства
специалистов: – искусственный агент; – реальные сущности системы подготовки
кадров
Подзадача 1. Настройка модели по данным наблюдений. Это обратная зада-
ча, связанная с нахождением параметров модели, т. е. с построением функции f
по наблюдаемым данным Mc , Мп , С и Рс :
Pc = f ( M c , M п , С ) , (1)
где Мс – ментальность студента; Мп – ментальность преподавателя; С – среда
обучения; Рс – профессионализм студента по одной изучаемой дисциплине.
Подзадача 2. Формирование знаний и умений по ментальности участников
образовательного процесса. Это прямая задача прогнозирования, которая состо-
ит в явном оценивании профессионализма студента (Рс), т. е. его знаний и уме-
ний, после изучения конкретной дисциплины, по замеренным данным о мен-
тальности студента (Мс) и преподавателя (Мп) с помощью построенной модели
f (1).
Для построения модели программного агента «Студент» необходимо учесть
те факторы (личностные характеристики), которые влияют на качество усвое-
ния студентом знаний, а именно: мотивацию, интеллектуальные способности,
психологические особенности и др. Выявление и анализ таких факторов осу-
ществлялось с помощью апробированных психологических методов. В частно-
сти, для практического определения психофизиологических особенностей сту-
дента использовались известные тесты Айзенка Г.Ю., Гилфорда Д.П., Герчико-
ва В.И. и Торренса Э.П. [2].
153
Как известно, процесс обучения заключается в передаче знаний и навыков от
преподавателей к студентам и их усвоения. Качество обучения фиксируется в
экзаменационной ведомости. Разрабатываемая нейромодель процесса обучения
должна формировать на выходе остаточные знания студента по отдельной дис-
циплине, с которыми он выходит на рынок труда (таких нейромоделей у агента
будет столько, сколько профессиональных дисциплин). По ним работодатели
решают вопрос о трудоустройстве кандидатов на вакантные должности.
Рис. 2. Схема нейромодели, описывающая результаты профессионального обучения
студента на примере одной дисциплины
Прогноз остаточных знаний по одной конкретно взятой дисциплине для од-
ного студента осуществляется в два этапа (рис. 2). На первом этапе прогнозиру-
ется экзаменационная оценка, а на втором этапе, исходя из прогнозируемой
оценки, формируется усреднённый набор остаточных знаний и умений, соот-
ветствующий данной оценке.
Первая нейронная сеть будет обучаться на основании ментальных портретов
группы студентов и экзаменационной ведомости. Вторая нейросеть – на осно-
вании критериев оценки и учебной программы дисциплины, в которой содер-
жится нормативный перечень знаний и умений. Обучающее множество для
второй нейросети составляет преподаватель-профессионал (эксперт) по своей
дисциплине в виде таблицы, показывающей, за какие знания и навыки ставится
определённая оценка. Выходные сигналы второй нейросети образуют вектор,
компоненты которого фиксируют наличие или отсутствие соответствующего
остаточного знания или умения. Размер вектора определяется суммарным коли-
чеством знаний и умений, предусмотренных учебной программой дисциплины.
Структура полигона для автономного обучения нейронных сетей показана на
рис. 3. Блоки 2 и 3 полигона реализованы с помощью пакета Neural Network
154
Toolbox, который входит в стандартную поставку MatLab. Параметры обучен-
ных нейросетей вводятся в структуру программного агента, что соответствует
делегированию (передаче) агенту полномочий (менталитета) лектора соответ-
ствующей учебной дисциплины.
Рис. 3. Структура подсистемы настройки нейросетевых моделей прогнозирования ре-
зультатов обучения
Для построения обучающих множеств нейросетей была выбрана группа сту-
дентов, прослушавших учебный курс «Системы искусственного интеллекта» и
уже получивших экзаменационные оценки. Совместная работа двух обученных
нейронных сетей тестировалась на характеристиках ментальности студентов,
которые не участвовали в обучении.
3 Мультиагентное имитационное моделирование процесса
трудоустройства выпускников вуза
Отбор претендентов на работу происходит во время собеседования, которое
организует каждая фирма (предприятие) с желающими на ней работать. В про-
цессе трудоустройства участвуют n выпускников ВУЗа и k фирм, каждая из
которых имеет свой профиль работы, квоты и требования к кандидатам на рабо-
ту. Фирма при собеседовании даёт выпускнику анкету, в которой он заполняет
данные о себе и решает тестовые задания, после чего фирма оценивает анкету.
Выпускник в то же время получает информацию о требованиях к соискателям,
условиях работы и вырабатывает оценку о привлекательности фирмы. После
завершения этих процессов фирма и выпускник должны принять общее согла-
шение о заключении или не заключении трудового договора.
Задача распределения молодых специалистов на фирмы, описанная фор-
мально в работе [3], заключается в формировании для каждой j-й фирмы список
155
Sj принятых на работу выпускников, которые подходят по знаниям фирме и
которым нравится работать на ней. Динамический процесс отбора на работу
заканчивается тогда, когда все списки претендентов перестанут обновляться.
При построении искусственных агентов была выбрана нейросетевая архи-
тектура. Интеллектуальными задачами, которые решаются нейросетевым спо-
собом, являются: оценивание выпускником условий труда на фирме, решение
студентом типовых заданий по профилю фирмы, оценивание фирмой ответов
выпускника на тестовые задания. Для передачи профессиональных навыков от
молодого специалиста (источника знаний) к нейросетевому программному
агенту использовались коммуникативные методы извлечения знаний из реаль-
ных студентов-выпускников (это третья задача из списка в разделе 1) и алго-
ритм настройки нейросети по стратегии «обучение с учителем».
Для извлечения знаний из выпускников были составлены опросные анкеты
по каждому разделу программной инженерии (например, по дисциплинам «Си-
стемы искусственного интеллекта», «Базы данных и т. д.), из которых формиро-
вались обучающие множества для нейросетей. В анкету входил набор типовых
заданий по каждому из намеченных разделов учебного плана специальности и
правильные ответы к ним в виде номеров необходимых знаний и умений из
предлагаемого списка для их решения.
Многоагентная система моделирования была разработана с помощью ин-
струментальной среды MadKit. Архитектура платформы MadKit основана на
AGR (Agent/Group/Role) модели, которая базируется на трёх ключевых поняти-
ях: агент, группа и роль.
Рассмотрим один из экспериментов по моделированию процесса трудо-
устройства выпускников с низким уровнем профессиональной подготовки. В
эксперименте запланировано участие трёх фирм, у которых имеется определён-
ное количество вакансий: первый агент фирмы (company-1) имеет 2 вакансии,
второй (company-2) – 4 и третий (company-3) – 1. В качестве кандидатов на ра-
боту в этих фирмах запланировано участие 15 выпускников ВУЗа с низким
уровнем знаний по профилю данных фирм. Условия труда, которые предлагают
фирмы в данном эксперименте, оценивались выпускниками по 8 показателям:
заработная плата, предоставление жилья, форма собственности и т. д.
Динамика процесса визуализируется с помощью специальных окон (рис. 4),
в которых на каждом шаге моделирования отображается состояние трудо-
устройства, т.е. сколько и кого уже отобрала каждая фирма, какие выпускники
ещё проходят собеседование и т. д.
156
Рис. 4. Конечное состояние моделирования трудоустройства
4 Заключение
Предложен подход к нейросетевому моделированию трудно формализуемого
процесса профессионального обучения студентов, основанный на имитации
процесса передачи профессиональных навыков и знаний в зависимости от лич-
ностных характеристик студентов.
Разработана многоагентная модель, реалистично отражающая поведение лю-
дей и фирм при поиске работы в зависимости от социальных, профессиональ-
ных и экономических факторов, делегированных членам искусственных агентов
модели системы трудоустройства.
Литература
1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: филосо-
фия, психология, информатика. – М.: Эдиториал, 2002.
2. Айзенк Г. Новые тесты IQ. – М.: Изд-во «ЭСКМО», 2003.
3. Федяев О.И. Модель системы подготовки и трудоустройства специалистов на осно-
ве программных агентов с нейросетевой архитектурой // Пятнадцатая национальная
конференция по искусственному интеллекту с международным участием КИИ-2016,
Труды конференции. В 3-х томах. Т.2. – Смоленск: Универсум, 2016.