Система интеллектуальной поддержки принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Даниленко, Александра Николаевна

• Даниленко, Александра Николаевна
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Даниленко, Александра Николаевна

Содержание

Введение

1 Анализ основных принципов и особенностей исследования проблем принятия решения при оценивании человеческого фактора в сфере профессиональной деятельности

1.1 Теоретико-методологические исследования влияния человеческого фактора при оценивании профессиональной пригодности

1.2 Факторный анализ как подход к решению задач управления человеческим фактором

1.3 Регрессионный анализ данных

1.4 Решение задачи управления нейронными сетями

1.5 Существующие программные продукты

Выводы и результаты

2 Методы построения и анализа нечеткой продукционной модели управления человеческим фактором при оценке профессиональной деятельности

2.1 Математическая постановка задачи управления человеческим фактором

2.2 Составление базы правил для оценивания человеческого фактора в сфере профессиональной пригодности методом экспертных оценок

2.3 Исследование базы нечетких правил для управления человеческим фактором

2.4 Алгоритм автоматической генерации базы нечетких правил

2.5 Математическое обоснование выбора нейронечеткой сети для решения задачи

классификации

Выводы и результаты

3 Программный комплекс интеллектуальной поддержки принятия решений в системах управления человеческим фактором

3.1 Описание программного комплекса

3.2 Режим работы «Соискатель»

3.3 Режим работы «Эксперт»

3.4 Режим работы «Работодатель»

Выводы и результаты

4 Исследование качества классификации и апробация программного комплекса

4.1 Исследование качеств гибридного нейронечёткого классификатора в качестве универсального классификатора

4.2 Апробация программного комплекса

Выводы и результаты

Заключение

Список литературы

Приложение 1 Логическая модель базы данных

Приложение 2 Таблица соответствий качеств профессионала и

диагностических шкал

Приложение 3 Таблица коррекции качеств

Приложение 4 Акты внедрения

Введение диссертации (часть автореферата) на тему «Система интеллектуальной поддержки принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности»

Введение

Современная организационно-управленческая практика обозначает проблему профессиональной пригодности человека как одну из наиболее актуальных. С точки зрения функционирования предприятия, действия неквалифицированного сотрудника могут привести к поломке дорогостоящего оборудования, производству некачественной продукции, срыву сроков поставок, а иногда и к человеческим жертвам. Кроме того, занятие человека деятельностью, неадекватной его психологическим качествам, нередко приводит к психосоматическим или хроническим заболеваниям.

Однако теоретические подходы к решению данной проблемы неоднозначны. Так, например, психофизиология исследует психодинамические и процессуальные характеристики работника; эргономика предлагает рассматривать взаимодействие субъекта, объекта и условий труда; психологические школы делают упор на личностные особенности работающего человека; для социологии и психологии труда основополагающей является концепция профессиональной пригодности, согласно которой, соответствие индивидуально-типологических и психофизиологических, а также характерологических особенностей человека требованиям конкретной профессии является определяющим фактором его успешности в трудовой деятельности.

Сложность проблемы приводит к необходимости рассматривать системные и комплексные варианты ее решения. Особенно остро такая необходимость встает при изучении сферы деятельности «человек-техника», где присутствуют все возможные факторы влияния на процесс труда: физиологические, психофизиологические, психологические, социальные, эргономические. Принципиальная специфика экстремальных профессий, помимо уже указанных общих факторов эффективности, обуславливается еще целым рядом обстоятельств объективного характера, связанных с вынужденным темпом работы в условиях дефицита времени, высоким уровнем нервно-эмоционального напряжения, а, зачастую, и с угрозой для жизни и здоровья.

Основной подход к исследованию данных проблем, по сути, сводится к решению задачи управления человеческим фактором.

Под «человеческим фактором» будем понимать совокупность всех врожденных и приобретенных физических и психических свойств личности, которые могут быть поставлены в связь с профессиональными ошибками, включая особенности и механизмы взаимодействия человека с техникой.

При таком подходе перед человеком, принимающим решение о соответствии соискателя требованиям профессии, возникает необходимость обработки более сотни различных характеристик, описывающих конкретного кандидата, каждая из которых отличается степенью объективности данных и степенью влияния на конечный результат. Ситуация осложняется тем, что для каждой специальности существует свой, уникальный, набор значимых качеств. Очевидно, что обработка такого объёма информации вручную является трудоёмким процессом, и наибольшей эффективности при решении данных проблем можно достичь лишь с использованием передовых информационных технологий и систем.

В связи с тем, что информация, на основе которой принимаются управленческие решения, является нечёткой или недостаточно определённой, возникает необходимость применения математических основ нечёткой логики и теории нечётких множеств как эффективных подходов к решению данной проблемы. В настоящее время наблюдается тенденция к гибридизации моделей систем нечёткого логического вывода и нейросетевых моделей, которые сочетают в себе возможности представления и обработки нечётких знаний в виде базы нечётких продукционных правил, и возможности обучения на ограниченном множестве примеров с последующим обобщением полученных знаний.

Значительный вклад в разработку теоретических и практических основ определения профессионально значимых качеств и управления человеческим фактором внесли такие ученые, как Бодров В.А., Дергач A.A., Климов Е.А.,

Лукьянова П.Ф., Майерс Д., Свенцицкий А.Л., Шульц Д., Шульц С. и другие.

4

Вопросы качества функционирования системы принятия решений, а также вопросы, посвященные теории нечёткой логики, теории нейронных сетей, в разное время исследовали Бабашка Р., Борисов В.В., Виттих В.А., Гон-салес А., Делгадо М., Коско Б., Круглов В.В., Ларичева О.И., Леоненко А., Перес Р., Пилиньский М., Пиявский С.А., Рутковская Д., Рутковский Л., Рыбина Г.В., Саати Т., Смирнов C.B., Сугэно М., Уоссермен Ф., Хайкин С., Штовба С., Шумский С.А., Федулов A.C., Ярушкина Н.Г. и др.

Анализ существующих современных программных продуктов определения профессиональной пригодности показал, что они способны зарегистрировать фактически любое описанное заказчиком свойство человека. Однако, они не отражают того факта, какого поведения следует ожидать от обследуемого и в чем проявятся те или иные свойства его характера. Постановка большинства практических задач предполагает «на выходе» не просто описательную характеристику особенностей человека «здесь и теперь», но и прогноз поведения этих людей в различных ситуациях на длительный срок.

В связи с этим актуальной представляется разработка методов и алгоритмов для систем интеллектуальной поддержки принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности, которые позволят присваивать полученным выводам определённую степень достоверности и корректировать её по мере обработки имеющихся данных и поступления новых.

Результаты исследования соответствуют пунктам 4 - «Разработка методов и алгоритмов решения задач управления и принятия решений в социальных и экономических системах», 5 - «Разработка специального математического и программного обеспечения систем управления и принятия решений в социальных и экономических системах», 10 - «Разработка методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах» паспорта научной специальности 05.13.10 - Управление в социальных и экономических системах.

Работа выполнялась при финансовой поддержке гранта по программе «У.М.Н.И.К.» (Участник молодежного научно-инновационного конкурса) в 2010 - 2011 годах и позволила автору работы стать победителем областного конкурса «Молодой ученый» в номинации «Аспирант» в 2010 году.

Объект исследования: процесс принятия решений в системах оценки человеческого фактора в сфере профессиональной деятельности.

Цель работы: повышение эффективности принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности.

Задачи исследования:

1. Анализ существующих подходов к решению задачи управления человеческим фактором при оценке профессиональной деятельности и к решению проблемы неопределенности, неполноты и недостоверности данных.

2. Построение базы нечётких продукционных правил для определения профессиональной пригодности с применением метода экспертных оценок.

3. Разработка методов и алгоритмов генерации базы нечётких продукционных правил в моделях нечёткого вывода для различных требований к специальности.

4. Разработка структуры нечёткой нейронной сети для решения задачи поддержки принятия решения управления человеческим фактором для оценки профессиональной пригодности специалиста.

5. Разработка программного комплекса, реализующего разработанные методы и алгоритмы, для повышения эффективности принятия решений при оценивании человеческого фактора, автоматизации этапа анализа и интерпретации диагностических данных при оценке профессиональной пригодности.

6. Исследование результатов классификации разработанной структуры нейронной сети для решения задачи поддержки принятия решения управления человеческим фактором. Проведение экспериментальных исследований по обработке реальных данных с целью апробации разрабатываемых ме-

тодов, алгоритмов и комплекса программ поддержки принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности.

Методы исследования, используемые в диссертации, основаны на положениях теории нечётких множеств и нечёткой логики, теории нейронных сетей, теории принятия решений, теории оптимизации, системы нечёткого вывода.

Научная новизна работы заключается в следующих положениях:

1. Предложена новая комплексная методика учета широкого круга личностных характеристик специалистов при оценивании их профессиональной пригодности, охватывающая множество патопсихологических синдромов, индивидуально-личностных факторов, интеллектуальных способностей, личностно-профессиональных типов и т.д.

2. Впервые в области оценки профессиональной пригодности специалистов экстремальных профессий использовалась нечёткая продукционная модель управления человеческим фактором, построенная на основе экспертных оценок с целью редуцирования пространства признаков.

3. Предложен новый метод исследования модели нечётких правил на полноту и непротиворечивость, основанный на теории градуированных формальных систем, позволяющий определить «предел» полноты.

4. Разработаны новые методы и алгоритмы автоматической генерации базы нечётких правил для круга экстремальных специальностей с определением для них степени значимости личностных характеристик человека.

5. Впервые предложена двухсоставная методика решения задачи классификации специалистов экстремальных профессий при оценке их профессиональной пригодности, основанная на гибридизации систем нечёткого вывода и новой модели нейронечёткой сети.

Практическая ценность работы заключается в разработке алгоритмического обеспечения и автоматизированного программного комплекса интеллектуальной поддержки принятия решений в системах управления человеческим фактором, позволяющего решать следующие задачи:

7

—поддержки принятия решений подбора кандидата с «оптимальным» сочетанием характеристик;

—оценки профессиональной пригодности на этапе отбора кандидата; —конструирования профиля «идеального работника»; —многофакторной диагностики профессионально значимых качеств личности на основе интерактивного перечня требований к профессии; —индивидуального планирования карьеры. Внедрение результатов работы

Результаты работы внедрены в Самарском государственном аэрокосмическом университете имени академика С.П. Королева (национальный исследовательский университет), Самарском государственном университете, Санкт-Петербургском государственном политехническом университете, Балтийском государственном техническом университете «ВОЕНМЕХ» им. Д.Ф. Устинова, Саратовском государственном техническом университете, Волгоградском государственном техническом университете, Военной кафедре Самарского государственного аэрокосмического университета имени академика С.П. Королева (национальный исследовательский университет), Центре содействия трудоустройства при Саратовском государственном университете им. Н.Г. Чернышевского, ККЦ «Интеллект» (г. Самара), ООО «БИГСЕЛ» (г. Самара).

Апробация работы

Основные положения и результаты работы докладывались и обсуждались на Всероссийской студенческой научно-технической школе-семинаре «Аэрокосмическая декада», (Крым, 2008 г.), Международной студенческой научно-технической конференции студентов и аспирантов аэрокосмических вузов «Седьмой международной выставки и научно-технической конференции по гидроавиации», (Геленджик, 2008 г.), XVI, XVII Международной молодежной научной конференции «Туполевские чтения» (Казань, 2008 - 2009 гг.), Самарской областной студенческой научной конференции (Самара, 2008

- 2009 гг.), Всероссийской молодежной научной конференции с междуна-

8

родным участием «X Королёвские чтения» (Самара, 2009 г.), Международной научно-технической конференции «Четвертые Уткинские чтения», (Санкт - Петербург, 2009 г.), Международной научно-технической конференции «Проблемы и перспективы развития двигателестроения», (Самара, 2009 г.), VIII, X Международной конференции «Авиация и космонавтика», (Москва, 2009, 2011 г.), Международной молодежной научной конференции «XXXVI Гагаринские чтения» (Москва, 2010 г.), II, III Общероссийской молодежной научно-технической конференции «Молодежь, техника, космос», (Санкт-Петербург, 2010 -2011 гг.), Международной конференции с элементами научной школы для молодежи «Перспективные информационные технологии для авиации и космоса», (Самара, 2010 г.), Международной заочной научно-практической конференции "Инновационные процессы и корпоративное управление", (Минск, 2011 г.), Интернет-конференции "Проблемы управления", (Москва, 2011 г.), II Всероссийской научной конференции с международным участием «Научное творчество XXI века» (Красноярск, 2011 г.).

Публикации

Соискатель имеет 30 опубликованных работ, в том числе по теме диссертации 30 работ, из них 1 монография и 5 работ опубликованы в ведущих рецензируемых научных журналах и изданиях, определенных Высшей аттестационной комиссией, 2 свидетельства о государственной регистрации программ для ЭВМ.

Объем и структура работы

Диссертация состоит из введения, четырёх глав и заключения. Основное содержание работы изложено на 134 страницах, включая 62 рисунка и 8 таблиц. Список использованных источников включает 89 наименований, 4 приложения размещены на 22 страницах.

1 Анализ основных принципов и особенностей исследования проблем принятия решения при оценивании человеческого фактора в сфере профессиональной деятельности

1.1 Теоретико-методологические исследования влияния человеческого фактора при оценивании профессиональной пригодности

Основной тенденцией в теоретико-методологических исследованиях психологии труда является анализ профессиональной деятельности в контексте социальных отношений. Ключевое для данного подхода понятие психологической целостности позволяет включить в анализ не только профессиональные и личностные характеристики работника, но и факторы социально-экономических условий его существования.

Такое направление анализа профессионализма привело к тому, что в изучении проблем эффективности профессиональной деятельности приоритетными стали исследования роли субъекта в социально-оперативной среде, а именно поиск личностных, индивидуальных и социально обусловленных характеристик человека во взаимодействии с характеристиками оперативной среды и разработка универсальных и гибких моделей профессионала. Совокупность индивидуально-личностных особенностей человека, определяющая эффективную реализацию функций, обозначается понятием профессионально-важные качества. Такой сугубо психологический подход в социологии дает возможность эмпирически выделять факторы эффективности деятельности.

Характерной чертой современного развития социологии и психологии труда, является возрастающее внимание к раскрытию и учету индивидуально-психологических особенностей личности, пониманию его, как целостности. В широком смысле личностные качества - это совокупность всех свойств, особенностей работника, позволяющих ему реализовать свои функции. Формирование производительной способности работника осуществля-

10

ется на основе диалектического единства общих (психофизических, интеллектуальных), специальных (профессионально-квалификационных) и особенных (организаторских, творческих т.д.) личностных способностей.

Человеческий фактор - это совокупность всех врожденных и приобретенных физических и психических свойств личности, которые могут быть поставлены в связь с профессиональными ошибками, включая особенности и механизмы взаимодействия человека с техникой.

Наука о личности - персонология - это дисциплина, стремящаяся заложить фундамент для лучшего понимания человеческой индивидуальности путем использования разнообразных исследовательских стратегий. Отличительная черта личности в понимании социологии и психологии - особое значение методов оценки при изучении, объяснении, прогнозировании, вынесении обоснованных решений в том или ином индивидуальном случае. К этим методам относятся интервью, тестирование, наблюдение и регистрация поведения, измерение физиологических реакций, анализ биографических и личных документов. [6]

Метод беседы - специфическая роль беседы, как метода исследования личности, вытекает из того, что в ней испытуемый отдает словесный отчет о свойствах и проявлениях своей личности. Поэтому в беседе с наибольшей полнотой обнаруживается субъективная сторона личности - самосознание и самооценка свойств личности, переживания и эмоциональное отношение, выраженное в них и т.д.

Большое значение имеет правильная постановка вопросов. Необходимое условие при данном методе - наличие доверительного контакта испытуемого с экспериментатором.

Метод характерологической беседы является особой формой естественного эксперимента.

Особое место в системе методов исследования, промежуточное между методом наблюдения и искусственным экспериментом, занимает «естественный эксперимент» А.Ф. Лазурского. Характерной особенностью естествен-

11

ного эксперимента является то, что он приближает исследование к естественным условиям; производится в обычной для испытуемого обстановке. Пользуясь методом естественного эксперимента, можно наблюдать испытуемого при определенных условиях в целенаправленно создаваемых ситуациях, организуя наблюдение по заранее намеченному плану. Наблюдение за поведением и реакциями испытуемого позволяет получить представление об особенностях личности в целом и отдельных ее свойствах. [5]

Биографический метод - позволяет изучить этапы жизненного пути, особенности формирования личности, может быть дополнением при интерпретации данных, полученных экспериментальными методами.

Опросники как один из методов изучения личности применяются для диагностики степени выраженности у индивида определенных личностных характерологических или других черт.

Можно выделить 2 вида опросников: одномерные - диагностируется одна какая-либо характеристика и многомерные - дают информацию о целом ряде различных свойств личности. Вопросы только закрытые.

Опросники состоят из ряда шкал или факторов. В состав каждой шкалы входит набор вопросов / утверждений, направленных на выявление того или иного свойства.

Недостаток метода применения опросников - характеристика личности основывается на данных самооценки. [5, 6, 9]

Проективные методы - группа методов, предназначенных для диагностики личности, в которых обследуемым предлагается реагировать на неопределенную (многозначную) ситуацию; например, интерпретировать содержание сюжета картинки (TAT), прореагировать на фрустрирующую ситуацию, встав на место героя в методе Розенцвейга, дать истолкование неопределенных очертаний (пятна Роршаха). Ответы на задания проективных методов не могут быть расценены как правильные или неправильные, возможен широкий диапазон решений, при этом предполагается, что характер ответов

испытуемого определяется особенностями личности, которые проецируются

12

на ответы. Для испытуемого цель проективных методов относительно замаскирована, что снижает его возможности произвести на экспериментатора желаемое впечатление.

К проективным методам условно можно отнести метод анализа продуктов деятельности - изучение продуктов творческой деятельности (живопись, стихи, дневники и т.д.).

Фактически, каждое направление исследования личности предполагает использование той или иной техники оценки. Психология личности традиционно отделилась от остальных психологических дисциплин благодаря тому, что здесь делается акцент на индивидуальные различия между людьми. Хотя персонологи признают, что в способах поведения людей есть сходство, они прежде всего стремятся объяснить, как и почему люди отличаются друг от друга.

В настоящее время не существует общепринятого мнения о том, какой подход следует применять персонологам к изучению личности для объяснения основных аспектов поведения человека. Фактически, на данной стадии развития персонологии сосуществуют различные альтернативные теории, описывающие личность как интегрированное целое и вместе с тем объясняющие различия между людьми. Теории личности - это тщательно выверенные умозаключения или гипотезы о том, что представляют собой люди, как они себя ведут и почему они поступают именно так, а не иначе. Изучение теорий личности позволяет достичь многого. Предмет интереса - природа человека; цель - понимание уникальности и сложности функционирования целостного человека в реальном мире. [6]

Теории выполняют две основные функции: они объясняют и предсказывают поведение. Теория личности является объяснительной в том смысле, что она представляет поведение как определенным образом организованное, благодаря чему оно становится понятным. Другими словами, теория обеспечивает смысловой каркас или схему, позволяющую упрощать и интерпретировать все, что нам известно о соответствующем классе событий.

13

Теория должна не только объяснять прошлые и настоящие события, но также и предсказывать будущие. Она должна обеспечивать основу для прогнозирования результатов и событий, которые пока еще не наступили. Эта цель с очевидностью предполагает, что теоретические концепции должны быть не только открытыми для проверки, но что они также могут подтверждаться или не находить подтверждения.

В отечественной социологии и психологии реальным базисом личности человека признается совокупность его общественных отношений, реализуемых через многообразие деятельностей. Общество рассматривается не просто некоторой внешней средой личности. Она объективно включена в систему общественных отношений, и этим определяется формирование структуры личности, образуемой комплексом свойств, — мотивов, стремлений, установок, привычек и так далее. [88]

Многочисленные и разнообразные проявления личности обусловлены, с одной стороны, ее структурой, а с другой — определяются ситуациями и условиями ее реальной жизнедеятельности. С точки зрения выявления и анализа структуры личности наиболее распространенными являются две большие группы методов — опросники и проективные методики. Для ориентации в этой области диагностики важно иметь представление об особенностях, возможностях и ограничениях каждой из этих двух групп методов.

Личностные опросники (стандартизированные самоотчеты) — это совокупность методических средств, используемых для выявления и оценки отдельных свойств и проявлений личности.

К настоящему времени создано огромное число личностных опросников самых различных типов. При разработке личностных опросников различия в подходах проявляются в формулировке, компоновке, отборе и группировке вопросов. [57]

Все многообразие личностных опросников может быть классифицировано в следующем виде:

1) типологические опросники;

2) опросники черт личности;

3) опросники мотивов;

4) опросники интересов;

5) опросники ценностей;

6) опросники установок (аттитюдов).

Подход к созданию и применению опросников черт личности реализуется на основе выделения соответствующих черт личности. Он основывается на предположении о существовании конечного набора базисных личностных качеств, а различия между людьми определяются в рамках этого подхода степенью выраженности этих качеств. Черты объединяют группы тесно связанных личностных признаков. Число черт определяет размерность личностного пространства.

Черты понимаются как последовательность поведения, привычки или тенденции к повторению поведенческих проявлений. Они иерархически организованы, их верхний уровень образуют факторы. Факторы имеют множество разнообразных поведенческих проявлений, относительно стабильны (постоянны во времени при неизменности привычных условий жизни), воспроизводятся в разных исследованиях и социально значимы. Иногда факторы называют базисными, или универсальными, чертами.

Чтобы получить возможность прогнозировать поведение человека в широком классе возможных ситуаций, психологи стремятся измерить базисные или универсальные черты. Эти черты относятся, как правило, к наиболее общим структурно-динамическим характеристикам стиля деятельности. [88]

Компьютеризация, развитие информатики как науки об обработке

информации внесли в социологию и психологию новую форму

детерминизма: рассмотрение работы мозга, поведения, деятельности,

психики по аналогии с работой компьютера и поставили перед психологией

и, в частности, перед психодиагностикой новые задачи, которые прежде

всего связаны с определенным переосмыслением теоретических оснований,

методологических принципов и стратегий исследования, составлением

15

новых, а также адаптацией к компьютеру ранее существовавших психодиагностических процедур, принятие управленческих решений.

Компьютерный психодиагностический инструментарий - это сложный аппаратно-программный комплекс, позволяющий психологам осуществлять психодиагностическое исследование испытуемого и принять, в случае необходимости, управленческое решение.

В целом, создание автоматизированных систем поддержки принятия управленческих решений позволяет сформулировать некоторые ощутимые положительные эффекты, получаемые экспертом:

— повышение эффективности работы эксперта за счет быстроты обработки данных и получения результатов тестирования;

— предоставление эксперту возможности сконцентрироваться на решении сугубо профессиональных задач благодаря освобождению его от трудоемких рутинных операций первичной обработки данных;

— повышение четкости, тщательности и чистоты психологического исследования за счет увеличения точности регистрации результатов и исключения ошибок обработки исходных данных, неизбежных при ручных методах расчета выходных показателей;

— возможность проводить в сжатые сроки массовые психодиагностические исследования путем одновременного тестирования многих испытуемых;

— повышение уровня стандартизации условий психодиагностического исследования за счет единообразного инструктирования испытуемых и предъявления заданий вне зависимости от индивидуальных особенностей исследуемого и экспериментатора;

— возможность для испытуемого быть более откровенным и естественным во время эксперимента благодаря конфиденциальности автоматизированного тестирования;

— использование времени не только как управляемого параметра теста (исследователь с помощью компьютера способен регулировать и устанавливать требуемый темп психодиагностического тестирования), но и в качестве диагностического параметра (например, показатели временной динамики ответов испытуемого на вопросы психодиагностического теста могут выступать как индикаторы утомления, эмоционального шока и т.п.);

— возможность распространять опыт работы психологов за счет компьютерной интерпретации результатов тестирования;

— возможность систематически накапливать и хранить не только данные об испытуемом, но и сами результаты тестирования; тем самым разрешение проблемы «утраты» психодиагностической информации, характерной для тестирования с помощью «ручных» тестов, осуществляется благодаря заполнению базы данных испытуемых, являющейся неотъемлемым атрибутом любой автоматизированной методики.

Инженерия знаний как направление исследований в области искусственного интеллекта изучает вопросы извлечения, структурирования, формирования и обработки знаний опытных специалистов для построения экспертных систем. Технология инженерии знаний в психодиагностике позволяет «переносить» в компьютер знания и опыт медицинских психологов по интерпретации результатов тестирования испытуемых для создания компьютерных психодиагностических методик. С помощью компьютерных психодиагностических методик пользователь имеет возможность получить расширенную интерпретацию результатов тестирования не хуже той, которую бы написал профессиональный психолог.

Процесс создания компьютерной интерпретации, на основе которой принимается управленческое решение, представлен на рисунке 1.

«приписывания портретов» текста с учетом текста с разрешением

сочелнании» противоречий»

Рисунок 1.1- Процесс создания компьютерной интерпретации

Рассмотрим существующие подходы к составлению интерпретаций, прежде всего, с точки зрения управления. В социологии и психологии эта процедура сводятся к проведению факторного анализа или построению регрессионных моделей.

1.2 Факторный анализ как подход к решению задач управления человеческим фактором

Факторный анализ является многомерным статистическим методом. Главными его целями являются: сокращение числа переменных (редуцирование пространства признаков) и определение структуры взаимосвязей между ними (классификация данных).

Основная цель анализа данных - получение в качестве конечного результата лаконичного, наглядного и полезного описания каждого объекта. При проведении факторного анализа сильно коррелируемые между собой переменные объединяются в один фактор, благодаря чему получается макси-

18

мально простая структура данных. Кроме этого происходит выделение переменных, являющихся незначимыми, что бывает особенно важно при анализе социальных представлений.

Важным преимуществом данного подхода является возможность использовать только наиболее информативные факторы и исключить остальные из анализа, что упрощает интерпретацию данных.

Предложенный К. Пирсоном метод главных компонент позволяет уменьшить размерность данных, потеряв при этом наименьшее количество информации.

Метод основан на переходе к новому ортогональному базису, оси которого ориентированы по направлениям максимальной дисперсии набора входных данных. Вдоль первой оси нового базиса дисперсия максимальна, вторая ось максимизирует дисперсию при условии ортогональности первой оси, и т.д., последняя ось имеет минимальную дисперсию из всех возможных. Такое преобразование позволяет понижать информацию путем отбрасывания координат, соответствующих направлениям с минимальной дисперсией.

Можно отметить, что в основе метода главных компонент лежат следующие допущения:

— допущение о том, что размерность данных может быть понижена путем линейного преобразования;

— допущение о том, что больше всего информации несут те направления, в которых дисперсия входных данных максимальна.

— Факторный анализ данных имеет также ряд недостатков, который делает его неприменимым в ряде случаев. Так, в его обязательные условия входят:

— все признаки должны быть количественными;

— число наблюдений должно быть в два раза больше числа переменных,

— выборка должна быть однородна;

— исходные переменные должны быть распределены симметрично.

Таблица, составленная не из модельных, а реальных данных содержит

много характерных трудностей. Признаки данных отличаются друг от друга допустимыми наборами значений. Они могут принимать любое вещественное значение, являться выражением какой-либо меры и служить меткой варианта ответа на вопрос или отражать степень проявления определенного качества (например, степень уверенности в ответе).

В таблице результатов количество строк измеряется сотнями, а число столбцов - десятками. Очевидно, что восприятие такого массива данных весьма затруднено. Следовательно, и анализ полученных результатов становится практически невозможным. Графики и диаграммы способны наглядно показать отношения лишь между двумя - тремя признаками, не учитывая остальные количественные показатели. Таким образом, чем более признаков содержит таблица, тем, с одной стороны, полнее описываются кандидаты, а, с другой стороны, тем труднее извлекать из таблицы необходимую информацию для вынесения решения о целесообразности приема соискателя на работу.

При оценке данных, полученных с помощью психологических методик, очевидно, имеются нелинейные статистические связи между наблюдаемыми переменными, в связи с чем применение метода главных компонент стало невозможным.

1.3 Регрессионный анализ данных

Традиционным методом прогнозирования в психологии выступает регрессионный анализ. Это линейный, статистический метод исследования зависимости между зависимой переменной У и одной или несколькими независимыми (регрессорами, предикторами) переменными ХьХ2,...,Хр.

При этом предполагается, что значения временного ряда представляют собой случайную функцию времени, и задача заключается в верной идентификации модели.

Строго регрессионную зависимость можно определить следующим образом. Пусть Y, Xi,X2,...,Xp случайные величины с заданным совместным распределением вероятностей. Если для каждого набора значений Xi=xb Х2=Х2,...,Хр=Хр определено условное математическое ожидание

у(хьх2,...,хр) = E(Y I X! = хьХ2 = х2,...,Хр = Хр),

то функция у(хьх2,...,хр) называется регрессией величины Y по величинам ХьХ2,...,Хр, а ее график линией регрессии Y по ХьХ2,...,Хр, или уравнением регрессии. Зависимость Y от ХЬХ2,...,ХР проявляется в изменении средних значений Y при изменении ХьХ2,...,Хр. Хотя при каждом фиксированном наборе значений Xi=xb Х2=х2,...,Хр=хр величина Y остается случайной величиной с определенным рассеянием. Для выяснения вопроса, насколько точно регрессионный анализ оценивает изменение Y при изменении ХьХ2,...,Хр, используется средняя величина дисперсии Y при разных наборах значений ХЬХ2,...,ХР (фактически речь идет о мере рассеяния зависимой переменной вокруг линии регрессии).

На практике линия регрессии чаще всего ищется в виде линейной функции Y = Б,» + bjXi + b2X2 + ... + +bpXp (линейная регрессия), наилучшим образом приближающей искомую кривую. Делается это с помощью метода наименьших квадратов, когда минимизируется сумма квадратов отклонений реально наблюдаемых Y от их оценок У(имеются в виду оценки с помощью прямой линии, претендующей на то, чтобы представлять искомую регрессионную зависимость):

Е(п - > min

к=1

Этот подход основан на том известном факте, что фигурирующая в

приведенном выражении сумма принимает минимальное значение именно

для того случая, когда Y = у(хьх2,...хр). Применение метода наименьших

21

квадратов при регрессионном анализе для оценивания параметров модели возможно при выполнении следующих условий:

— равенства условных дисперсий: D(Y / X) = const;

— независимости ошибок от предикторов и нормального их распределения с нулевым средним и постоянной дисперсией;

— попарного нормального распределения всех признаков модели.

Параметры Ъ\ являются частными коэффициентами корреляции; (Ь;)

интерпретируется как доля дисперсии Y, объясненная Хь при закреплении влияния остальных предикторов, т.е. измеряет индивидуальный вклад в объяснение Y. В случае коррелирующих предикторов возникает проблема неопределенности в оценках, которые становятся зависимыми от порядка включения предикторов в модель. В таких случаях необходимо применение методов анализа корреляцжшного и пошагового регрессионного анализа. Говоря о нелинейных моделях регрессионного анализа важно обращать внимание на то, идет ли речь о нелинейности по независимым переменным (с формальной точки зрения легко сводящейся к линейной регрессии), или о нелинейности по оцениваемым параметрам (вызывающей серьезные вычислительные трудности). При нелинейности первого вида с содержательной точки зрения важно выделять появление в модели членов вида XiX2, X1X2X3, свидетельствующее о наличии взаимодействий между признаками Хь Х2 и т.д.

Однако недостатком регрессионного анализа является то, что выбор того или иного вида функции не формализован и целиком зависит от опыта эксперта. Кроме того при поступлении новых данных регрессионную модель необходимо перестраивать.

В этом случае целесообразно применение элементов искусственного интеллекта. Нейронная сеть выступает в качестве универсального аппрокси-матора обучающих данных. Гибридизация моделей систем нечёткого логического вывода и нейросетевых моделей, которые сочетают в себе возможности представления и обработки нечётких знаний в виде базы нечётких продукционных правил, и возможности обучения на ограниченном множестве

22

примеров, с последующим обобщением полученных знаний позволяет эффективно решить задачу управления человеческим фактором в сфере профессиональной деятельности.

1.4 Решение задачи управления нейронными сетями

В последние несколько лет наблюдается взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях: бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику там, где нужно решать задачи прогнозирования, классификации, идентификации, аппроксимации или управления.

Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейные по своей природе. На протяжении многих лег линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных. [78]

Очень большое количество межнейронных соединений приводит к тому, что сеть становится нечувствительной к ошибкам, возникающим в отдельных контактах. Функции поврежденных соединений принимают на себя другие элементы, в результате в деятельности сети не наблюдаются заметные нарушения.

Другое не менее важное свойство нейронной сети состоит в способности к обучению и к обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную инфор-

мацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.

Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Важнейшее свойство нейронных сетей, свидетельствующее об их огромном потенциале и широких прикладных возможностях, состоит в параллельной обработке информации одновременно всеми нейронами. Благодаря этой способности при большом количестве межнейронных связей достигается значительное ускорение процесса обработки информации. Во многих ситуациях становится возможной обработка сигналов в реальном масштабе времени.

Системам, реализующим нейросетевые принципы обработки данных, свойственна способность к «запоминанию». Известно, что классифицирующую систему на базе искусственных нейронных сетей можно обучать довольно большим объемам информации, в которой система может выявлять зависимости, не поддающиеся обнаружению при использовании других методов обработки информации.

Для решения задач классификации наиболее часто используют нейронные сети такие, как: многослойный персептрон (MLP), радиальная сеть RBF, сети Кохонена, Хопфилда, Хэмминга и другие.

Однако сети с традиционной логикой имеют ряд недостатков, и не предназначены для решения задачи классификации с вероятностной разделимостью классов. Для этого используют системы нечёткого вывода.

Наибольшую популярность среди нечётких систем адаптивного типа приобрела модель вывода Такаги-Сугено-Канга (ТБК) [69]. В этой модели функция заключения определяется нечётким, но точечным образом. Благодаря этому, дефаззификатор на выходе системы не требуется, а модель вывода значительно упрощается. Общая форма модели ТЭК:

если х1 это И это Л2 И...И это Ам, то У —

В векторной записи её можно записать:

если Л" это А , то >' = /(•*),

где ./(л") = /(л",,л'2,...,хл?) - чёткая функция. Условие модели ТБК аналогично модели Мамдани-Заде, принципиальное отличие касается заключения, которое представляется в форме функциональной зависимости, чаще всего - в виде полиномиальной функции нескольких переменных.

Классическое представление этой функции - это полином первого порядка:

N

у=1

в котором коэффициенты Р0, РРх - это веса, подбираемые в процессе обучения.

Если в модели ТБК используется М правил вывода, то выход системы определяется как среднее взвешенное значение. Если приписать каждому

правилу вес ^ (интерпретируются как р} в форме алгебраического произведения), то выходной сигнал можно представить в виде:

и

■У м /=1

В модели Цукамото в качестве функций заключения используются монотонные (возрастающие или убывающие) функции /[69]. Заключения

правил формируются путём обратного преобразования этих функций по полученным значениям предпосылок данных правил:

если это \ И Х2 это А2 И...И хм это А,у ? то у — / '(т^).

где "И7 - уровень срабатывания предпосылки правила.

Условие модели Цукамото аналогично модели Мамдани-Заде, принципиальное отличие касается заключения.

Если в модели Цукамото используется М правил вывода, то выход системы определяется как среднее взвешенное значение. Если приписать каждому правилу вес ^ (интерпретируются как /и}1\х) в форме алгебраического произведения), то выходной сигнал можно представить в виде [69]:

м

у' _

У м ' 2>/

где у\ = /~х (и^) - значение аргумента функции fi, при котором

Если в модели Мамдани-Заде в качестве агрегатора использовать оператор алгебраического произведения, то дефаззификация относительно среднего центра, приводит к модели Менделя-Ванга [69]. Следует отметить, что //(>') состоит из суммы нечетких функций для импликаций всех М правил, образующих систему нечеткого вывода. В модели Мамдани-Заде каждое из

м ( \

этих М правил определяется уровнем активации условия, /'(>',) = О Мл (-т, ),

7=1

тогда как - это значение У , при котором величина }Ау) становится максимальной (либо принимает среднее из максимальных значений). Пусть величина У{ обозначает центр сг нечеткого множества заключения I -го правила вывода. Тогда дефаззификация относительно среднего центра в модели Менделя- Ванга [16], в соответствии с которой:

м Т.'. ' N гкы . 7=1

м Е /=1 N , , ПIх/) 7=1

Допустим, что существует нечеткая система, описываемая зависимостью (3), на вход которой подается последовательность векторов

л; = [х, \ . При использовании фаззификатора в виде обобщенной га-

уссовской функции м{х) = ехР

г \1Ъ ' х-с х

V о- J

выходной сигнал у этой системы

определяется по формуле (4):

м

I

У

¿=1

]^[ехр

7=1

О Л2»:"

М

I

Л'

Пехр

7=1

^ (О Л

Х7~С}

V ; У

26«

в которой обозначают параметры центра, ширины и

формы (условия) 7-го компонента вектора ^ для /-го нечеткого правила вывода.

Выражение определяет непрерывную функцию, которая может использоваться для аппроксимации произвольно заданной непрерывной функции

g{x) от многих переменных Х1, образующих вектор X . При соответствующем подборе параметров условия и заключения (с.), функция (4) может аппроксимировать заданную функцию g(x) с произвольной точностью 8 . Способность нечёткой системы, характеризующейся рядом нелинейных функций от одной переменной, к аппроксимации нелинейной функции от многих переменных, свидетельствует о возможностях практического применения нечётких систем.

Привлекательной чертой нейрокомпыотинга является единый принцип обучения нейросетей - минимизация эмпирической погрешности обобщения. Целевая функция погрешности, оценивающая данную конфигурацию сети, задается извне - в зависимости от того, какую цель преследует обучение. Далее сеть начинает постепенно модифицировать свою конфигурацию - состояние всех своих синаптических весов - таким образом, чтобы минимизировать эту функцию. В итоге, в процессе обучения сеть все лучше справляется с возложенной на нее задачей.

Базовой идеей всех алгоритмов обучения является учет локального градиента в пространстве конфигураций для выбора траектории быстрейшего спуска по целевой функции. Целевая функция, однако, может иметь множество локальных минимумов, представляющих субоптимальные решения. Поэтому градиентные методы обычно дополняются элементами стохастической оптимизации, чтобы предотвратить «остановку» конфигурации сети в таких локальных минимумах. Идеальный метод обучения должен найти глобальный оптимум конфигурации сети.

Погрешность обобщения сети зависит от конфигурации сети - совокупности всех ее синаптических весов. Но эта зависимость не прямая, а опосредованная, так как непосредственные значения весов скрыты от внешнего наблюдателя. Для него сеть - своего рода черный ящик, и оценивать ее работу он может, лишь основываясь на ее поведении, т.е. на том, каковы значения выходов сети при данных входах. Иными словами, в общем виде целевая функция имеет вид:Е(м>) = Е{ха,уа,у(ха,м^)}. Здесь [ха ,уа] - набор примеров (т.е. пар входов-выходов), на которых обучается нейронная сеть, а {у(ха, м^)} - реальные значения выходов нейросети, зависящие от конкретных значений ее синаптических весов. Такой способ обучения, когда действительный выход нейросети сравнивают с эталонным, называют обучением с учителем.

Существуют три основные группы методов классификации: граничные методы, методы оценки плотности и модельные методы. Вследствие нечет-

кости алгоритма деления сотрудников на пригодных и непригодных для работы, был выбран модельный метод, основанный на нечетких множествах.

Традиционный подход к классификации образов основан на предварительной кластеризации обучающих примеров и отнесении их к заданным классам. Сложность и ограничения при осуществлении этого предварительного этапа в большой степени обусловлены недостаточной эффективностью определения границ между кластерами. Эта проблема становится еще более труднорешаемой, когда число используемых параметров существенно возрастает.

В отличие от традиционного подхода нечеткая классификация допускает непрерывность границы между двумя соседними классами с наложением областей, в каждой из которых классифицируемый объект характеризуется своей степенью принадлежности. Данный подход не только эффективен для многих приложений, характеризующихся нечеткими границами между классами, но также обеспечивает достаточно простое представление потенциально сложного разделения пространства признаков.

В классической теории множеств принадлежность элементов некоторому множеству понимается в бинарных терминах в соответствии с четким условием — элемент либо принадлежит, либо не принадлежит данному множеству. Характеристическая функция /лА{х) элементов множества А, равна

1, если этот элемент принадлежит множеству А, или равна 0 в противном случае. В нечётких системах элемент может частично принадлежать к любому множеству.

Степень принадлежности к множеству А, представляющая собой обобщение характеристической функции, называется функцией принадлежности // Да-), причём /иА(.г) е [0,1 ]. Значениями функции принадлежности являются рациональные числа из интервала [0,1], где 0 означает отсутствие принадлежности к множеству, а 1 - полную принадлежность. Конкретное

значение функции принадлежности называется степенью или коэффициентом принадлежности [15].

Эта степень может быть определена явно функциональной зависимостью /у .Дх), либо дискретно - путём задания конечной последовательности

значений х е {д-,г} в виде:

Заключение диссертации по теме «Управление в социальных и экономических системах», Даниленко, Александра Николаевна

Выводы и результаты

I. Проведено исследование модифицированного гибридного нейро нечетко го классификатора в качестве универсального классификатора. Для данной задачи минимальное значение СКО достигается при объеме обучающей выборки равной 33 примеров. Минимальное значение СКО достигается при шаге обучения, равному 0,45. Обучение гибридного нейронечёткого классификатора с гауссовской функцией фаззификации происходит быстрее, чем его модификации с треугольной функцией. Однако, в последнем случае алгоритм обучения сети значительно упрощается за счет более простого вида самой функции фаззификации, благодаря чему система ведет себя более предсказуемо. Вид метода дефаззификации не влияет на СКО и скорость обучения гибридного нейронечёткого классификатора.

2. Проведена апробация комплекса на реальных данных по профессии летчика. Показана динамика изменения личностных качеств кандидата за двухлетний период.

3. Проведено сравнение результатов полученных с помощью гибридного нейронечеткого классификатора, регрессионного анализа и экспертной оценки для профессий: летчика, военнослужащего спецподразделений, спасателя МЧС.

Заключение

В ходе выполнения диссертационной работы были получены следующие основные результаты и выводы:

1. Проанализированы существующие подходы к решению задачи управления человеческим фактором при оценке профессиональной деятельности и к решению проблемы неопределенности, неполноты и недостоверности данных.

2. Предложена комплексная методика учета широкого круга личностных характеристик специалистов при оценивании их профессиональной пригодности, охватывающая множество патопсихологических синдромов, индивидуально-личностных факторов, интеллектуальных способностей, личност-но-профессиональных типов и т.д.

3. Построена база нечётких продукционных правил для определения профессиональной пригодности с применением метода экспертных оценок с целью редуцирования пространства признаков. Сформулированы требования к написанию продукционных правил.

4. Разработаны новые методы и алгоритмы генерации базы нечётких продукционных правил в моделях нечёткого вывода для круга экстремальных специальностей с определением для них степени значимости личностных характеристик человека. В алгоритме предусмотрена проверка правил на полноту и непротиворечивость, основанная на теории градуированных формальных систем, позволяющая определить «предел» полноты.

5. Предложена двухсоставная методика решения задачи классификации специалистов экстремальных профессий при оценке их профессиональной пригодности, основанная на гибридизации систем нечёткого вывода и модифицированного гибридного нейронечёткого классификатора.

6. Разработан программный комплекс, реализующий разработанные методы и алгоритмы для повышения эффективности принятия решений при оценивании человеческого фактора, автоматизации этапа анализа и интерпретации диагностических данных при оценке профессиональной пригодности.

7. Проведено исследование результатов классификации разработанной структуры нейронной сети в зависимости от шага обучения, вида функции фаззификации и метода дефаззификации. Проведена апробация комплекса программ поддержки принятия решений при оценивании человеческого фактора в сфере профессиональной деятельности лётчиков, военнослужащих спецподразделений, спасателей МЧС.

Список литературы диссертационного исследования кандидат технических наук Даниленко, Александра Николаевна, 2012 год

Список литературы

1. Rorschach Psychodiagnostics/ Rorschach, Hermann. - Published by READ BOOKS, 2007.

2. Айзенк Г. Интеллект: новый взгляд, http://www.koob.ru/eysenck_hans

3. Айзенк Г. Исследование человеческой психики, http ://www.koob .га/ еу senck_hans/

4. Айзенк Г. Как измерить личность, http://www.koob.ru/eysenck_hans/

5. Акимова М.К. Психологическая диагностика: учебное пособие. / М.К. Акимова — СПб.: Питер, 2005. — 304 с.

6. Анастази А. Б. Психологическое тестирование/ А. Б. Анастази. - М., 1982.

7. Батрашев, А. В. Темперамент [Текст]/ A.B. Батрашев. - Таллин, 1996.

8. Батрашев, А. В. Тестирование. Основной инструментарий практического психолога [Текст]/ A.B. Батрашев. - М., 1999.-240с.

9. Белова О.В. Общая психодиагностика/ О. В. Белова - Новосибирск: Научно-учебный центр психологии НГУ, 1996.

10. Бодалева A.A. Общая психодиагностика/ A.A. Бодалева, В.В. Столина. — М.: Издательство МГУ, 1988.

11. Борисов, В.В. Нечёткие модели и сети [Текст]/ В.В. Борисов, В.В. Круглов, A.C. Федулов. - М.: Горячая линия- Телеком, 2007. -284 с.

12. Бурлачук Л.Ф. Словарь-справочник по психологической диагностике/ Л.Ф. Бурлачук, С.М. Морозов. - СПб.: Питер, 1999.

13. Бурлачук Л.Ф., Морозов С.М. Словарь-справочник по психологической диагностике. - Киев, 1989

14. Вассерман Л.И. Психологическая диагностика и новые информационные технологии/ Л.И. Вассерман, В.А. Дюк, Б.В. Иовлев - СПб: СЛП, 1997.—203 с.

15. Главные компоненты и факторный анализ, http://www.statsoft.ru/HOME/TEXTBOOK/modules/stfacan.html

16. Горбань, А.Н. Обобщенная аппрокснмационная теорема и вычислительные возможности нейронных сетей. //Сибирский журнал вычислительной математики. - 1998. -Т.1, №1. - С. 12-24.

17. Гришпун, И. Б. Введение в психологию [Текст]/ И. Б. Гришпун. - М., 1995.

18. Гуревич, М. А. Психологическая диагностика [Текст]/ М. А. Гуревич, Е. М. Борисова. - М., 1997.

19. Даниленко, А.Н. Автоматизированная информационная система анализа профессиональной пригодности [Текст] / Даниленко А.Н. // Международная аэрокосмическая школа: сборник материалов. / Изд-во МАИ - Москва, 2009. - Вып. 1 (2009). - С. 89-90.

20. Даниленко, А.Н. Автоматизированная информационная система многофакторной диагностики профессионально значимых качеств личности на основе интерактивного перечня требований к профессии [Текст] / Даниленко А.Н., Комаков В.В., Ихсанова С.Г. // Заявка на свидетельство о государственной регистрации программ для ЭВМ от 17.11.11.

21. Даниленко, А.Н. Автоматизированная информационная система подбора кандидатов на работу с использованием нейросети [Текст] / Даниленко А.Н. // Тезисы докладов самарской областной студенческой научной конференции. Часть I. Общественные, естественные и технические науки., 2008 г. / Департамент по делам молодежи Самарской области; Самарский областной совет по научной работе студентов - Самара, 2008. - №34. - С.226.

22. Даниленко, А.Н. Автоматизированная информационная система профессиональной пригодности для малых инновационных предприятий [Текст] / Даниленко А.Н. // У.М.Н.И.К.: материалы всероссийского молодежного научно-инновационного конкурса. / Изд-во СГМУ - Самара, 2009. - Вып. 1 (2009). - С. 4-6.

23. Даниленко, А.Н. Автоматизированная информационная система психологического тестирования и анализа профессиональной пригодности

126

«АИСТ» [Текст] / Даниленко А.Н., Комаков В.В., Солдатова О.П. // Свидетельство о государственной регистрации программ для ЭВМ. Per. № 2009612163 от 27.04.09.

24. Даниленко, А.Н. Автоматизированная информационная система психологического тестирования и анализа профессиональной пригодности [Текст] / Даниленко А.Н. // Всероссийская студенческая научно-техническая школа-семинар «Аэрокосмическая декада». Тезисы докладов / Изд-во МАИ (ГТУ) - Крым, 2008. - Вып. 1 (2008). - С. 75-76.

25. Даниленко, А.Н. Автоматизированная информационная система факторного анализа профессиональной пригодности «АИСТ» [Текст] / Даниленко А.Н. // Проблемы и перспективы развития двигателестроения: материалы международной научно-технической конференции. / Изд-во СГАУ - Самара, 2009. - Вып. 1 (2009). - С. 10-12.

26. Даниленко, А.Н. Автоматизированная система отбора кадров для аэрокосмической отрасли [Текст] / Даниленко А.Н. // Уткинские чтения: материалы международной научно-технической конференции. / Изд-во БГТУ «Военмех» - Санкт-Петербург, 2009. - №4. - С. 146-150. - Биб-лиогр.: с. 150.

27. Даниленко, А.Н. АИС психологического тестирования и анализа профессиональной пригодности персонала [Текст] / Даниленко А.Н. // Студенческая научно-техническая конференция студентов и аспирантов аэрокосмических вузов «Седьмая международная выставка и научно-техническая конференция по гидроавиации». Тезисы докладов / Изд-во СГАУ - Самара, 2008. - Вып. 1 (2008). - С. 35.

28. Даниленко, А.Н. Анализ корреляционных связей результатов психологических тестирований для решения задач анализа профессионального отбора [Текст] / Даниленко А.Н. // Гагаринские чтения: материалы международной научной молодежной конференции. / Изд-во «МАТИ» РГТУ - Москва, 2010. - №36. - т.4 - С. 85-87. - Библиогр.: с.87.

29. Даниленко, А.Н. Генерация нечетких правил для решения задачи интеллектуальной поддержки принятия решений в системах управления [Текст] / Даниленко А.Н. // Молодежь, техника, космос: материалы общероссийской молодежной научно-технической конференции. / Изд-во БГТУ «Военмех» - Санкт-Петербург, 2011. - №3. - С. 165-167. - Библиогр.: с. 167.

30. Даниленко, А.Н. Извлечение нечетких правил из числовых данных и структуризация базы знаний для задачи классификации [Текст] / Даниленко А.Н., Коварцев А.Н. // Перспективные информационные технологии для авиации и космоса: избранные труды международной конференции с элементами научной школы для молодежи. / Изд-во СГАУ - Самара, 2010. - Вып. 1 (2010). - С. 57-63. - Библиогр.: с.63.

31. Даниленко, А.Н. Инновационные технологии в образовании: Теория и практика. Кн.1 [Текст] / Даниленко А.Н., Ихсанова С.Г., Комаков В.В. / Научно-инновационный центр, Красноярск, 2011. - Гл. 10 Автоматизированный психодиагностический комплекс в системе профориентаци-онной деятельности вуза - С. 145 - 160.

32. Даниленко, А.Н. Интеллектуальная поддержка принятия решений в системе управления человеческим фактором [Текст] / Даниленко А.Н. // В мире научных открытий, серия «Математика. Механика. Информатика». - 2011. - № 12(24) - С. 102-114. - Библиогр.: с. 114.

33. Даниленко, А.Н. Использование нейронечётких сетей для решения задачи классификации [Текст] / Даниленко А.Н. // Вестник Совета молодых ученых и специалистов СГАУ / Изд-во СГАУ -- Самара, 2011. -№1. - С. 17-25. - Библиогр.: с.25.

34. Даниленко, А.Н. Исследование свойств классификации нечётких нейронных сетей [Текст] / Даниленко А.Н., Солдатова О.П. // Радиотехника и связь: труды международной научно-технической конференции. / Изд-во СГТУ - Саратов, 2009. - Вып. (2009). - С. 22-28. - Библиогр.: с.28.

35. Даниленко, А.Н. Корреляционный анализ данных с помощью карт Ко-хонена для решения задачи профессионального подбора кадров [Текст] / Даниленко А.Н., Коварцев А.Н., Комаков В.В., Ихсанова С.Г. // В мире научных открытий, часть 2. - 2010. - №4.11 - С.35-37. - Библиогр.: с.37.

36. Даниленко, А.Н. Нейросетевая модель прогноза ошибочных действий лётчиков [Текст] / Даниленко А.Н. // Вестник Самарского государственного аэрокосмического университета имени академика С.П. Королева. - 2011. - №6(30) - С.207-211.- Библиогр.: с.211.

37. Даниленко, А.Н. Нейросетевой подход при психологическом тестировании специалистов аэрокосмической отрасли [Текст] / Даниленко А.Н. // Авиация и космонавтика: материалы международной конференции. / Изд-во МАИ-ПРИНТ - Москва, 2009. - №8. - 220-221. - Библиогр.: с.221.

38. Даниленко, А.Н. Нечеткая классификация с помощью нейронных сетей [Текст] / Даниленко А.Н. // X Королёвские чтения: материалы всероссийской молодежной научной конференции с международным участием. / Изд-во СГАУ - Самара, 2009. - №10. - С. 325-326. - Библиогр.: с.326.

39. Даниленко, А.Н. Построение модели данных результатов тестирований для решения задачи анализа профессиональной пригодности в различных отраслях деятельности [Текст] / Даниленко А.Н. // Молодежь, техника, космос: материалы общероссийской молодежной научно-технической конференции. / Изд~во БГТУ «Военмех» - Санкт-Петербург, 2010. - №2. - С. 220-221. - Библиогр.: с.221.

40. Даниленко, А.Н. Применение нейросетевых технологий в разработке систем управления [Текст] / Даниленко А.Н. // Электронный журнал «Проблемы управления»: материалы интернет-конференции. / - Москва, 2011.-С. 1-8.-Библиогр.: с.8.

41. Даниленко, А.Н. Прогноз совершения ошибочных действий летчика как фактора аварийности [Текст] / Даниленко А.Н. // Авиация и космонавтика: материалы международной конференции. / Изд-во МАИ-ПРИНТ - Москва, 2011. - №Ю. - С. 229-230. - Библиогр.: с.230.

42. Даниленко, А.Н. Прогностическое планирование карьеры студента вуза [Текст] / Даниленко А.Н., Ихсанова С.Г., Комаков В.В. // Современные исследования социальных систем. - 2012. - №1 - С. 1-8. — Библиогр.: с.8.

43. Даниленко, А.Н. Психодиагностический комплекс в каузальном моделировании кадровых решений [Текст] / Даниленко А.Н., Комаков В.В., Ихсанова С.Г. // Инновационные процессы и корпоративное управление: материалы III международной заочной научно-практической конференции. / Изд-во БГУ - Минск, 2011.-Вып. 1 (2011).-С. 124-127. -Библиогр.: с. 127.

44. Даниленко, А.Н. Разработка методов и алгоритмов интеллектуальной поддержки принятия решений в системах управления кадрами [Текст] / Даниленко А.Н. // Электронный журнал «Труды МАИ». - 2011. - №46 - С.1-5. - Библиогр.: с.5.

45. Даниленко, А.Н. Решение задачи классификации в нейронечетком логическом базисе [Текст] / Даниленко А.Н. // Международная молодежная научная конференция «Туполевские чтения». Тезисы докладов / Изд-во КГТУ - Казань, 2008. - №16. - С. 145-147.

46. Даниленко, А.Н. Решение задачи классификации неточных или недостаточно определенных данных с использовонием нейросетей [Текст] / Даниленко А.Н. // Тезисы докладов самарской областной студенческой научной конференции. Часть I. Общественные, естественные и технические науки, 2008 г. / Департамент по делам молодежи Самарской области; Самарский областной совет по научной работе студентов - Самара, 2008. - №35. - С.258.

47. Даниленко, А.Н. Решение проблем профессионального отбора с помощью нечётких нейронных сетей [Текст] / Даниленко А.Н. // Международная молодежная научная конференция «Туполевские чтения». Тезисы докладов / Изд-во КГТУ - Казань, 2009. - №17. - С. 226.

48. Даниленко, А.Н. Факторизация личностных черт как проблема практической психодиагностики [Текст] / Даниленко А.Н., Комаков В.В., Их-санова С.Г. // Вестник Поволжской государственной социально-гуманитарной академии, серия «Естествоиспытатели и педагоги». / Изд-во ПГСГА - Самара, 2010. - № 5 (2010). - С. 133-143. - Библиогр.: с.143.

49. Доррер М. Имитация психологической интуиции с помощью искусственных нейронных сетей// Материалам диссертации Доррер М., 1998.

50. Дюк В.А. Классификация психодиагностических методик// Материалы монографии «Компьютерная психодиагностика» - СПб, 1994.

51. Житкова, О. П. Проектирование баз данных в СУБД Access [Текст]/ О. П. Житкова, М. А. Журина. - М., 2006. - 64 с.

52. Зимняя И. А. Педагогическая психология. - М., 2000.

53. Зиновьев А.Ю. Визуализация многомерных данных, http://www.koob.ru/zinovyev_andrey/vizualizaciya_dannih

54. Ихсанова, С.Г. Взаимосвязь уровня притязаний и самооценки с профессиональной эффективностью летчиков [Текст] / Ихсанова С.Г., Черная H.H. - Самара: СГПУ. - 2007.

55. Капустина А.Н. Многофакторная личностная методика Р. Кеттелла/ А.Н. Капустина. - М., 2006,-104с.

56. Карпов А. В., Конева Е.В., Маркова Е.В. Психология труда: Учебник для вузов (под ред. Карпова A.B.) - М: Владос-Пресс, 2005

57. Клайн П. Справочное руководство по конструированию тестов, http://www.psychology.ru/library/00004.shtml

58.

59.

60,

61.

62.

63,

64,

65,

66

67

68

69

70

71

Коновалов, В. Д. Психологические тесты [Текст]/ В.Д. Коновалов. - М., 1996.

Корсини Р. Психологическая энциклопедия/ Р. Корсини, А. Ауэрбах. -М., 1998.

Краткий психологический словарь [Текст]/А.В. Петровский, М. Г. Ярошевский. - Ростов н/д., 1998. - 512 с.

Кэттелл Р. Психология индивидуальности. Факторные теории личности/ Кэттелл Р., Айзенк Г., Оллпорт Г. - М.: Прайм-Еврознак, 2007. -128 с.

Леонова А.Б. Психодиагностика функциональных состояний человека, http://www.koob.ru/leonova/

Маклаков, C.B. BPwin и Erwin. CASE-средства разработки информационных систем [Текст]/ C.B. Маклаков - М.: ДИАЛОГ - МИФИ, 1999. -256 с.

Минский, М. Персептроны [Текст]/М. Минский, С. Пейперт, Пер. с англ.. - М., Мир, 1971 - 264 с.

Митина О.В. Математические методы в психологии. Практикум, http ://www.koob .ru/mitina/

Митина O.B. Факторный анализ для психологов, http ://www.koob .ru/mitina/

Немов, P.C. Психология [Текст]/Р.С. Немов.-М, 1998. - 632 с. Новак, В. Математические принципы нечеткой логики [Текст] / Новак В., Перфильева И., Мочкорж И. - М.: Физматлит. - 2006. Оссовский, С. Нейронные сети для обработки информации [Текст]/ Пер. с пол. И.Д. Рудинского. -М.: Финансы и статистика, 2002. - 344 с. Пантилеев С.Р. Практикум по психодиагностике, http://www.koob.ru/pantileev_s_r/

Педагогика и психология высшей школы. - под ред. М.В. Булановой-Топорковой, - Ростов-на-Дону, «Феникс», 2002

72.

73,

74.

75.

76,

77,

78,

79

80

81

82

83

84

Поспелов, Д.А. Нечёткие множества в системах управления и искусственного интеллекта [Текст]/ Д.А. Поспелов - М.: Наука. Гл. ред. физ.-мат. лит., 1986.

Психологический словарь, http://psi.webzone.ru/

Райгородский Д.Я. Практическая психодиагностика. Методики и тесты/ Д.Я. Райгородский - М: Бахрах, 2006 - 672 с.

Смирнов С.Д. Педагогика и психология высшего образования: от деятельности к личности. - М.: Аспект Пресс, 1995

Собчик Л.Н. Индивидуально-типологический опросник, http ://www.koob.ru/sobchik/

Собчик Л.Н. Стандартизированный многофакторный метод исследования личности, http://www.koob.ru/sobchik/

Солдатова, О.П. Основы нейроинформатики [Текст]/ О.П. Солдатова -Самара: СГАУ, 2006 - 131 с.

Талызина Н.Ф. Принципы советской психологии и проблемы психодиагностики познавательной деятельности // Хрестоматия по возрастной и педагогической психологии / Под ред. И. И. Ильясова, В. Я. Ляудис. -М., 1981

Титкова Л.С. Психодиагностика: Учебное пособие/ Л.С. Титкова -Владивосток: издательство Дальневосточного университета, 2002. Уоссерман, Ф. Нейрокомпыотерная техника: теория и практика [Текст]/ Пер. с англ. Ю.А. Зуев. - М.: Мир, 1992.

Фаулер, М. UML в кратком изложении. Применение стандартного языка объектного моделирования [Текст]/ М. Фаулер, К. Скотт. - М., 2003. - 191 с.

Фокин Ю. Г. Преподавание и воспитание в высшей школе: Методология, цели и содержание, творчество: Учеб. пособие для студ. высш. учеб. заведений. - М.: Издательский центр "Академия", 2002. Фрейджер Р., Фэйдимен Д. Теории личности и личностный рост,

http://www.gumer.info/bibliotek_Buks/Psihol/freydjer/index.php

133

85. Хьелл Л. Теории личности. Основные положения, исследования и применение/ Л. Хьелл, Д. Зиглер - СПб.: Питер Пресс, 1997.

86. Шевандрин Н.И. Основы психологической диагностики. В трех частях. Часть 2, http://www.koob.ru/shevandrin/

87. Шевандрин Н.И. Психодиагностика, коррекция и развитие личности, http ://www.koob .ru/shevandrin/

88. Шмелева А. Г. Психодиагностика личностных черт/ А .Г. Шмелев -Спб: Речь, 2002.

89. Штерн В. Дифференциальная психология и ее методические основы /' В. Штерн. - М.: Наука, 1998.