Название статьи или книги, фамилия автора, DOI

Модель процесса обучения специалистов с использованием учебно-тренировочных средств

В.Я. Пророк1, А.В. Тимофеев2, С.Г. Ворона3

научная статья УДК 004.588 Страницы: 72-80 doi.org/10.18127/j00338486-202002(03)-08

  1. 1 д.т.н., профессор, Военно-космическая академия имени А.Ф. Можайского (Санкт-Петербург)
  2. 2 адъюнкт кафедры, Военно-космическая академия имени А.Ф. Можайского (Санкт-Петербург)
  3. 3 к.т.н., доцент, преподаватель, кафедра средств предупреждения о ракетном нападении, Военно-космическая академия имени А.Ф. Можайского (Санкт-Петербург)

Аннотация

Постановка проблемы. Для формирования профессиональных компетенций в процессе подготовки специалистов широко используются учебно-тренировочные средства (УТС). Использование математической модели позволяет проследить процесс становления специалиста с использованием УТС.

Цель. Провести анализ временных и стоимостных затрат на формирование высокопрофессионального специалиста в зависимости от уровня развития его способностей.

Результаты. Построена модель обучения с использованием УТС и учетом такой особенности, как способность полученных обучающимся знаний к самоорганизации и созданию новых знаний. Данный подход делает возможным прогнозирование процесса формирования знаний и умений обучающегося в профессиональной сфере деятельности. Характерной особенностью предложенной модели является использование трансформационной теории обучения и расчет коэффициента скорости обучения с использованием нечеткого логического вывода.

Практическая значимость. Одним из способов решения задачи эффективного обучения является выбор таких УТС и такой стратегии обучения конкретного специалиста, при которой коэффициент скорости его обучения принимает максимальные значения.

Для цитирования

Пророк В.Я., Тимофеев А.В., Ворона С.Г. Модель процесса обучения специалистов с использованием учебно-тренировочных средств // Радиотехника. 2020. № 2. С. 72–80. DOI: https://doi.org/10.18127/j00338486-202002(03)-08

Список источников
  1. Paul D. Thorn, Gerhard Schurz. Meta-inductive prediction based on Attractivity Weighting: Mathematical and empirical performance evaluation // Journal of Mathematical Psychology. 2018. DOI: https://doi.org/10.1016/j.jmp.2018.12.006.
  2. Аткинсон Р., Бауэр Г., Кротерс З. Введение в математическую теорию обучения: пер. с англ. М.: Мир. 1969.
  3. Siddhatra Thyagarajan, Thangasamy Nambirajan, Ganeshkumar Chandirasekaran. An Empirical Analysis of Training Facilities in Micro-Small-Medium Enterprises (MSME) for Self-Help Groups (SHG). Ushus-Journal of Business Management, 2019, DOI: https://doi.org/10.12725/ujbm.47.2.
  4. Заде Л.А. Размытые множества и их применение в распознавании образов и кластер-анализе: Классификация и кластер. М.: Мир. 1986.
  5. Пророк В.Я. Построение систем сопровождения процессов профессионального становления и деятельности военных специалистов. СПб.: ВКА (филиал). 2004. 154 с.
  6. Xi Zhang, Yuan Zhang, Yongqiang Sun, Miltiadis Lytras, Patricia Ordonez de Pablos. Exploring the effect of transformational leadership on individual creativity in e-learning: a perspective of social exchange theory. Studies in Higher Educatin. 2017. DOI: https://dx.doi.org/10.1080/03075079.2017.1296824.
  7. William F. Crittenden, Isabella K. Biel, William A. Lovely. Embracing Digitalization: Student Learning and New Technologies // Journal of Marketing Education. 2018. DOI: https://doi.org/10.1177/0273475318820895.
  8. Венда В.Ф. Системы гибридного интеллекта: Эволюция, психология, информатика. М.: Машиностроение. 1990.
  9. Пророк В.Я. Основы построения и организации адаптивных систем профессионального отбора. СПб.: Лань. 2003. 330 с.
  10. Багрецов С.А. Применение методов многомерной размытой классификации в диагностике сложных систем // Приборостроение. 1995. № 9, 10. С. 74−76.
  11. Dervis Karaboga, Ebubekir Kaya. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey // Artificial Intelligence Rewiew. 2018. DOI: https://doi.org/10.1007/s10462-017-9610-2.
  12. Abraham Varghese, Jincy S. George. A Continious Assessment Strategy Using Fuzzy Logic // Learning Strategies and Constructionism in Modern Education Settings. 2018. DOI: https://doi.org/10.4018/978-1-5225-5430-1.ch005.
  13. Mehyuddin K M Nasution, Indra Aulia, Marischa Elveny. Data. // Journal of Physics: The 3rd International Conference on Computing and Applied Informatics. 2018. DOI: https://doi.org/10.1088/1742-6596-1235/1/012110.
  14. Shaily Thaker, Viral Nagori. Analysis of Fuzzification Process in Fuzzy Expert System // Procedia Computer Science. 2018. DOI: https://doi.org/10.1016/j/procs.2018.05.047.
  15. O. Yazdanbaksh, S. Dick. A systematic review of complex fuzzy set and logic // Fuzzy sets and systems. 2017. DOI: https://doi.org/10.1006/j/fss.2017.01.010.
  16. Samuel Lopez, Antonio A. Marquez, Francisco A. Marquez, Antonio Peregrin. Evolutionary Design of Linguistic Fuzzy Regression Systems with Adaptive Defuzzification in Big Dqata Environmets // Cognitive Computation. 2018. DOI: https://doi.org/10.1007/s12559-019-09632-4.