|
157 количества информации, которое обеспечивает уровень возможных средних потерь, не превышающий заданного. Все указанные выше подходы объединяет одна общая черта — стохастическое описание среды, пространства возможных реакций и процесса выработки решений по входной информации. Отсюда вытекает один из главных недостатков этих подходов, состоящий в том, что для определения ценности информации необходимо знать конкретные значения вероятностей. При недостатке достоверных статистических данных, а тем более при их отсутствии это приводит либо к необходимости привлечения экспертов и, следовательно, к ненадежности полученных результатов, либо решение о значении неизвестных характеристик принимается пользователем только на основе своего опыта и интуиции, что делает результаты еще менее надежными. Кроме того, в одних подходах понятия ценности и количества информации отождествляются, в других же, наоборот, рассматриваются независимо и не взаимосвязано друг с другом. Все это предопределяет необходимость разработки нового подхода к учету ценности и количества информации применительно к решению задачи разработки информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма студентов в условиях ССУЗа, в котором бы учитывалась специфика функционирования образовательного учреждения и который во многом был бы свободен от указанных недостатков. Рассмотрим основные положения такого подхода. Основное требование, предъявляемое к алгоритмам информационноаналитического обеспечения системы научного обеспечения формирования профессионализма студентов, состоит в возможности обнаружения текущего состояния системы в определенные моменты времени в результате обработки больших массивов разнотипных статистических данных, характеризующих повторяющиеся процессы функционирования системы в условиях данного |
темы, зависит и наше понимание роли этих характеристик в исследовании процессов ее функционирования. Системный подход к организации информационно-аналитического обеспечения рассматриваемой системы позволяет с помощью вычислительных алгоритмов экспериментально проверить, насколько используемая система характеристик достаточна полна для описания. Наконец, этот подход обеспечивает так называемую объективную верификацию функционирования системы. Резюмируя сказанное, будем понимать под системным подходом к проблеме информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма слушателей следующее: выделение целостных структурных явлений в системе, подлежащих количественному описанию; количественное описание системного целого с помощью информативных характеристик, которые могут выбираться не заранее, а в процессе самого функционирования системы; объективный процесс классификации, при котором, с одной стороны, проверяется, насколько удачно были отобраны информативные характеристики для анализа функционирования системы, а с другой обеспечивается то, что может быть названо верификацией функционирования системы. Хотя адекватное описание многочисленных свойств рассматриваемой системы и представляет весьма трудную задачу, необходимость в такого рода исходных фактах очевидна, так как без этого невозможно формулировать гипотезы и проверять их на практике. Исследования показывают, что трудности здесь определяются наличием ряда проблем, в частности,: технической сложностью измерения большого числа характе ну, характеризующую максимальную пользу, которую можно из нее извлечь при наилучшем ее использовании в образовательном процессе. Естественно, что для корректности определения ценности информации необходимо постулировать тезис о ее наилучшем использовании. В теории ценности количества информации можно выделить два аспекта: прагматический и семантический. Первый предполагает определение способа наилучшего использования данного количества информации с целью минимизации возможных средних потерь, второй нахождение минимального количества информации, которое обеспечивает уровень возможных средних потерь, не превышающий заданного. Все указанные выше подходы объединяет одна общая черта стохастическое описание среды, пространства возможных реакций и процесса выработки решений по входной информации. Отсюда вытекает один из главных недостатков этих подходов, состоящий в том, что для определения ценности информации необходимо знать конкретные значения вероятностей. При недостатке достоверных статистических данных, а тем более при их отсутствии это приводит либо к необходимости привлечения экспертов и, следовательно, к ненадежности полученных результатов, либо решение о значении неизвестных характеристик принимается пользователем только на основе своего опыта и интуиции, что делает результаты еще менее надежными. Кроме того, в одних подходах понятия ценности и количества информации отождествляются, в других же» наоборот, рассматриваются независимо и невзаимно связано друг с другом. Все это предопределяет необходимость разработки нового подхода к учету ценности и количества информации применительно к решению задачи разработки информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма слушателей в условиях вуза, в котором бы учитывалась специфика функционирования образовательного учреждения МВД России и который во многом был бы свободен от указанных недостатков. Рассмотрим основные положения такого подхода. Основное требование, предъявляемое к алгоритмам информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма слушателей, состоит в возможности обнаружения текущего состояния системы в определенные моменты времени в результате обработки больших массивов разнотипных статистических данных, характеризующих повторяющиеся процессы функционирования системы в условиях данного вуза. Данная группа задач решается на основе алгоритмов автоматической классификации [65. 80] и распознавания образов [212]. Как показывает анализ, естественной основой дифференциации алгоритмов автоматической классификации может служить уровень априорной информации о решаемой задаче, определяемый свойствами исходного пространства признаков, степенью конкретизации понятия классов. В соответствии с этим выделяются три группы алгоритмов автоматической классификации: 1) методы, основанные на знании либо принятии гипотезы о мере близости между объектами классификации, 2) оптимизационные методы, требующие задания цели классификации в виде некоторого функционала, 3) алгоритмы, предполагающие явное определение понятия класса. К первой группе методов относится теоретико-графовые методы [32], часто используемые при синтезе структур сложных систем, описываемых с помощью графовой модели; пороговые алгоритмы классификации [9, 68], ориентированные на задание жесткого порога на |