Machine learning decision support systems for adaptation of educational content to the labor market requirements

Abstract

EN: Context. The urgent task of increasing the functional efficiency of machine learning of decision support system (DSS) for assessing compliance with content modern requirements of the educational disciplines of the graduation department based on the results of the employer survey has been solved. Objective. Increasing the functional efficiency of machine learning of DSS for assessing compliance with modern requirements of the educational disciplines content of the first (bachelor’s) level specialty educational and professional program based on machine learning and pattern recognition. Method. The method of machine learning of DSS is proposed for adapting the educational content of the graduation department to the labor market requirements. The idea of the method is to maximize the information capacity of the DSS in the machine learning process, which allows in the monitoring mode to guarantee a high full probability of making the correct classification decisions. The method was developed as part of a functional approach to modeling cognitive processes of natural intelligence, which makes it possible to provide DSS with flexibility when retraining the system due to increasing the power of the recognition classes alphabet. The method is based on the principle of maximizing the amount of information in the machine learning process. The modified Kullback information measure, which is a functional of the accuracy characteristics of classification solutions, is considered as a criterion for optimizing machine learning parameters. According to the proposed functional category model, an information-extreme machine learning algorithm was developed based on the hierarchical data structure in the form of a binary decursive tree. The use of such a data structure allows you to automatically divide a large number of recognition classes into pairs of nearest neighbors, for which optimization of machine learning parameters is carried out according to a linear algorithm of the required depth. The geometric parameters of hyperspherical containers of recognition classes were considered as optimization parameters, which were restored in the radial basis of the binary space of Hamming features in the machine learning process. At the same time, the input traning matrix was transformed into a working binary training matrix, which was changed in the machine learning process through admissible transformations in order to adapt the input information description of the DSS to the maximum reliability of classification decisions. Results. The informational, algorithmic, and software of the DSS was developed to assess the educational content quality based on the machine analysis results of respondents’ answers. Within the framework of the geometric approach, based on the information-extreme machine learning results, highly reliable decisive rules, practically invariant to the multidimensionality of the recognition features space, were constructed based on the hierarchical data structure in the form of a binary decursive tree. The influence of machine learning parameters on the functional effectiveness of machine learning of the DSS was studied on the evaluation example of the educational content of the educational and professional bachelor’s program of the specialty 122 Computer Science. Conclusions. The computer modeling results confirm the high functional efficiency of the proposed method of information-extreme hierarchical machine learning and can be recommended for practical use in institutions of higher education to assess compliance with modern requirements of the educational content of graduation departments. UK: Актуальність. Розв’язана актуальна задача підвищення функціональної ефективності машинного навчання системи підтримки прийняття рішень (СППР) для оцінки відповідності сучасним вимогам контенту навчальних дисциплін випускової кафедри за результатами опитування роботодавців. Мета. Підвищення функціональної ефективності машинного навчання СППР для оцінки відповідності сучасним вимогам контенту навчальних дисциплін освітньо-професійної програми спеціальності першого (бакалаврського) рівня на основі машинного навчання та розпізнавання образів. Метод. Запропоновано метод інформаційно-екстремального машинного навчання СППР для адаптації навчального контенту випускової кафедри до вимог ринку праці. Ідея методу полягає у максимізації інформаційної спроможності СППР в процесі машинного навчання, що дозволяє в режимі моніторингу гарантувати високу повну ймовірність прийняття правильних класифікаційних рішень. Метод розроблено в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту, що дозволяє надати СППР гнучкість при перенавчанні системи через збільшення потужності алфавіту класів розпізнавання. В основу методу покладено принцип максимізації кількості інформації в процесі машинного навчання. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик класифікаційних рішень. Згідно із запропонованою функціональною категорійною моделлю розроблено алгоритм інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Застосування такої структури даних дозволяє автоматично розбивати велику кількість класів розпізнавання на пари найближчих сусідів, для яких оптимізація параметрів машинного навчання здійснюється за лінійним алгоритмом необхідної глибини. Як параметри оптимізації розглядалися геометричні параметри гіперсферичних контейнерів класів розпізнавання, які в процесі машинного навчання відновлювалися в радіальному базисі бінарного простору ознак Геммінга. При цьому вхідна навчальна матриця трансформувалася в робочу бінарну навчальну матрицю, яка змінювалася в процесі машинного навчання шляхом допустимих перетворень з метою адаптації вхідного інформаційного опису СППР до максимальної достовірності класифікаційних рішень. Результати. Розроблено інформаційне, алгоритмічне і програмне забезпечення СППР для оцінки якості навчального контенту за результатами машинного аналізу відповідей респондентів. В рамках геометричного підходу за результатами інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева побудовано високо достовірні вирішальні правила, практично інваріантні до багато вимірності простору ознак розпізнавання. Досліджено вплив параметрів машинного навчання на функціональну ефективність машинного навчання СППР на прикладі оцінки навчального контенту освітньо-професійної програми бакалаврського рівня спеціальності «Комп’ютерні науки». Висновки. Результати комп’ютерного моделювання підтверджують високу функціональну ефективність запропонованого методу інформаційно-екстремального ієрархічного машинного навчання і можуть бути рекомендовані до практичного використання у закладах вищої освіти для оцінки відповідності сучасним вимогам навчального контенту випускових кафедр