Информационные технологии обеспечения качества подготовки судей по синхронному плаванию

Тип работы:
Реферат
Предмет:
Общие и комплексные проблемы естественных и точных наук


Узнать стоимость

Детальная информация о работе

Выдержка из работы

С. В. Волкова, А. П. Свиридов
Информационные технологии обеспечения качества подготовки судей по синхронному плаванию
Аннотация: рассматривается современное состояние обучения и сертификации качества подготовки судей в синхронном плавании. На этой основе предлагается новый подход к решению указанных проблем на основе информационных технологий и искусственных нейронных сетей.
Ключевые слова: компетенция, оценка знаний, тестовый контроль, искусственные нейронные сети.
В Федеральном законе от 27 января 1999 г. «О физической культуре и спорте в Российской федерации» в ст. 6 предусмотрено «создание единой государственной системы информационного обеспечения в области физической культуры и спорта».
Указанная задача составной частью входит в государственную программу «Электронная Россия» и Федеральную целевую программу «Развитие единой образовательной информационной среды (2006−2015 гг.)».
В настоящее время этап формирования концепции информационного обеспечения всей области физической культуры и спорта в нашей стране характеризуется как начальный. Компьютеризация ее практически до начала XXI в. носила случайный характер, а в качестве аппаратно-программного обеспечения использовались в основном либо стандартная медицинская аппаратура, имеющая собственное программное обеспечение, либо аппаратура, создаваемая для решения узких задач, также с оригинальным программным обеспечением.
Судейство в спорте — одна из сложнейших отраслей деятельности. Электронная система слежения за действиями спортсменов позволяет вести более объективную оценку этих действий. Информационные технологии, применяемые в организации и проведении соревнований, позволяют объективно оценивать выступления не только в видах спорта, где можно зафиксировать результат, но и в таких артистических видах, как синхронное плавание, фигурное катание, художественная гимнастика. В настоящее время оценка выступлений в артистических видах происходит только субъективно. К этому необходимо добавить, что и оценка компетентности судей в этих видах спорта также осуществляется субъективно [2].
В связи с этим проведена работа по созданию информационной системы обучения и контроля качества подготовки судей, а также рассмотрено применение искусственных нейронных сетей (ИНС) в одном из наиболее субъективных видов спорта — в синхронном плавании. Внедрение этой системы позволит объективно оценить компетентность каждого судьи и поднять уровень судейства в целом.
Вопрос об обучении судей является актуальным и не только в данном виде спорта. Наиболее трудный аспект обучения судьи синхронного плавания — это изучение, как судить программы. Это самый сложный аспект, потому что существует множество переменных для рассмотрения, и потенциальные судьи имеют разные подоплеки. Поэтому ставится вопрос о квалификации судей и их подготовке. Важно, чтобы судья был объективным, насколько это возможно, и способным оценивать программу без какого-либо предрасположения [3].
Волкова Софья Валерьевна,
аспирант кафедры «Моделирование информационных систем и сетей» Российского государственного социального университета.
Базовое образование: факультет информационных технологий Российского государственного социального университета.
Тема кандидатской диссертации: «Информатизация системы обучения и контроля качества подготовки судей по синхронному плаванию».
Основные публикации: «Информатизация системы обучения и контроля качества подготовки судей в синхронном плавании» (2010) — «Информационные технологии обучения и сертификации качества подготовки судей в синхронном плавании» (2012).
Сфера научных интересов: внедрение информационных технологий в спортивную сферу.
E-mail: wulfsofi@yandex. ru
Предлагаются подход и 2 метода решения проблемы информатизации процесса подготовки судей по синхронному плаванию, который включает в себя:
• обучение судей на разных уровнях их подготовленности-
• проверка знаний по результатам обучения, с целью определения компетентности-
• отбор судей на соревнования различного уровня-
• возможность повышения и присвоения квалификации.
Применение предложенных информационных технологий даст возможность дистанционной подготовки судейских кадров, что позволит расширить круг специалистов.
Предлагаются два метода оценки качества подготовки судей:
• модифицируемый стандартизированный — по сумме модулей разностей оценок эталонного и тестируемого судей по 9 элементам-
• нейросетевой — на основе искусственных нейронных сетей, на входы которых подаются значения модулей разностей оценок эталонного и тестируемого судей, отнормированные в интервале от 0 до 1 [1].
Модифицируемый стандартизированный способ.
Любая программа в синхронном плавании оценивается по двум параметрам: оценка за техническое мастерство команды и оценка за художественное представление программы. Рассмотрим выбранную нами произвольную программу — техническую группу и способы ее оценки на примере. Оценки тестируемых судей будут сравниваться с оценками эталонного судьи, который уже оценил эту программу, и по сумме модулей разности оценок эталонного и тестируемого судей будет присваиваться категория судье. Задание для данной произвольной программы — оценить девять технических элементов. Оценка за техническое качество охватывает три области: исполнение, синхронность и сложность. Будем оценивать каждый элемент отдельно. Один элемент оценивается по 4 параметрам, за один элемент ставим 4 оценки, исполнение а. (40%), синхронность Ь. (30%) и сложность с. (30%) — эти три оценки составляют 70% от общей оценки за один эелемент ^ и субъективную оценку, она составляет 30% от общей оценки за один элемент В табл. 1 и табл. 2 представлены оценки тестируемого и эталонного судей, соответственно [3, 4].
Таблица 1. Оценки тестируемого судьи
Номер элемента Исполнение, a Синхронность, b Сложность, c Субъективная оценка, d Общая оценка, t
1 9,9 9,9 9,8 9,8 9,849
2 9,7 9,7 9,9 9,8 9,772
3 9,9 9,9 9,9 9,8 9,87
4 9,8 9,7 9,9 9,8 9,8
5 9,8 9,7 9,7 9,8 9,758
б 9,7 9,7 9,9 9,8 9,772
7 9,9 9,9 9,7 9,8 9,828
8 9,7 9,9 9,8 9,8 9,793
9 9,7 9,8 9,7 9,8 9,751
Таблица 2. Оценки эталонного судьи
Номер элемента Исполнение, a Синхронность, b Сложность, c Субъективная оценка, d Общая оценка, t
1 9,9 9,8 9,8 10 9,888
2 9,9 9,9 9,9 10 9,93
3 10 10 9,9 10 9,979
4 9,8 9,9 9,9 10 9,902
5 9,9 9,9 9,8 10 9,909
б 9,9 9,9 9,9 10 9,93
7 10 10 10 10 10
8 9,8 10 9,8 10 9,902
9 9,9 9,9 9,9 10 9,93
Свиридов Александр Петрович,
доктор технических наук, профессор кафедры «Моделирование информационных систем и сетей» Российского государственного социального университета.
Базовое образование: Московский энергетический институт, Высшая электротехническая школа г. Ильменау /Германия/.
Тема докторской диссертации: «Разработка и исследование систем автоматизированного обучения на базе статистических моделей».
Основные публикации: «Методика обучения и интерпретации нейронной сети для компьютерного контроля знаний» (2009) — «Анализ и синтез одноступенчатых планов компьютерного контроля знаний для систем дистанционного образования» (2010) — «Планы контроля качества образования для систем дистанционного образования» (2010) — «Статистическая теория обучения» (2010) — «Обеспечение профессиональной готовности персонала с учетом экономических показателей» (2011) — «Оптимизация объема и периодичности двух видов контроля (на примере контроля знаний по языкам программирования turbopascal и c)» (2011).
Сфера научных интересов: математическое моделирование, информационные технологии, системы дистанционного образования, нейро-сетевые технологии.
E-mail: prof_sviridov@mail. ru
Общая оценка одного элемента определяется по формуле (1).
г. = (0,4 X а1 + 0,3 X (Ъ1 + С-)) х 0,7 + 0,3 х ,
(1)
где 1 — номер элемента.
Приведем пример на основе табл. 1 и 2: за первый элемент тестируемый судья поставил следующие оценки: исполнение а1 — 9,9, синхронность Ь1 — 9,9, сложность с1 — 9,8, субъективная d1 — 9,8, следовательно, для тестируемого судьи имеем общую оценку за первый элементст1:
гтест1 = (0,4×9,9 + 0,3х (9,9 + 9,8))х0,7 + 0,3×9,8.
Эталонный судья поставил за первый элемент: исполнение а1 — 9,9, синхронность Ь1 — 9,8, сложность с1 — 9,8, субъективная d1 — 10, следовательно, для эталонного судьи имеем общую оценку за первый элемент t:
эталон1
г л = (0,4×9,9 + 0,3х (9,8 + 9,8))х0,7 + 0,3×10. эталон1
Аналогично определяются общие оценки тестируемого и эталонного судей для остальных действий со второго по девятый элементы.
В табл. 3 представлены оценки эталонного (^талон1) и тестируемого (^ест1) судей для 9 элементов.
Таблица 3. Оценки эталонного и тестируемого судей для 9 элементов
№ элемента 1 2 3 4 5 6 7 8 9
Тэталон1 9,89 9,93 9,98 9,9 9,91 9,93 10 9,9 9,93
есп 9,85 9,77 9,87 9,8 9,76 9,77 9,83 9,79 9,75
Затем для каждого тестируемого судьи определяется сумма модулей разности оценок эталонного судьи и его оценок (А) по всем 9 элементам. Формула (2).
9
А = 2 I = 1
г. — г
эталот тест1
(2)
где (г. — г .) — разность общих оценок за один элемент — х.
4 эталон тест1'- 1
Приведем пример расчета величины, А на основе табл. 3.
А = |9,89−9,85|+|9,93−9,77|+|9,98−9,87|+|9,9−9,8| + |9,91−9,76| + |9,939,77| + |109,83| + |9,99,79| + |9,93--9,75| = 1,18.
По сумме модулей разностей оценок эталонного и тестируемого судей присваиваем категории (табл. 4). Таблица 4. Категории
А категория
А & lt- с 1
с, & lt- А & lt- с2 2
с2 & lt- А & lt- с3 3
А & lt- с3 4
Постоянные граничные значения с5 с2 с3 определены экспериментально на основе обучающей последовательности судей, оцененных экспертом, где с5 = 2, с2 = 4, с3 = 7.
Категория тестируемого судьи — 1, т.к. А = 1,18 & lt- с [1].
Нейросетевой метод.
Нейросеть состоит из 9 нейронов входного слоя, для ввода 9 значений входных признаков (общих оценок 6 нейронов скрытого слоя и четырех нейронов выходного слоя, по одному нейрону для каждой категории судей. На рис. 1 представлена топология трехслойного персептрона.
Для использования 9 значений входных признаков в нейронных сетях производится нормализация -преобразование исходных значений в значения от 0 до 1. Далее считаем нормированную разность хнорм. для каждого элемента по формуле (3).
'-г. -г Л-х
{ эталон1 тест1 / Ш1п
х — х шах ш1п
норм1
(3)
где (гэталон1 — гтест1) — разность оценок эталонного и тестируемого судей для одного элемента — х. ,
х1тах=10 и х1т1п = -10 — максимальная и минимальная разница общих оценок эталонного и тестируемого судей для одного элемента.
х
Рис. 1. Структура сети
нения тестируемым судьей относительно эталонного судьи. При значениях t. <- t
г-'- -7гп -7гп г тест! эталон!
Нормированная разность хнорм! чувствительна к недооценке и переоценке качества выполнения упраж-
(случай недооцен-. _. (случай совпадения оценок)
тест! эталон!
1. При значениях t. >- t. (случай переоценки) величина
тест! эталон!
х. «пм! принимает значения от 0 до / [2].
Приведем пример. Был задан эталонный судья (табл. 2), протестированы 50 судей и определены общие оценки (Ц по формуле (1), определена сумма модулей разности оценок эталонного и тестируемого судей (А), руководствуясь табл. 4, присвоены категории, данные представлены в табл. 5 (пример, судья № 1, 2, 49, 50).
ки) величина х. принимает значения от / до 1. При значениях t
'- норм! ~ п Г
величина х принимает значения х
норм! норм!
прини
норм!
Таблица 5. Оценки эталонного и тестируемого судей
Элементы 1 2 3 4 5 6 7 8 9
Т. 9,89 9,93 9,93 9,9 9,91 9,93 10 9,9 9,93
тесп № судьи 1 2 3 4 5 6 7 8 9 А категория
1 9,85 9,77 9,87 9,8 9,76 9,77 9,83 9,79 9,75 1,18 1
2 9,65 9,67 9,67 9,63 9,62 9,66 9,65 9,63 9,64 2,55 1
49 5,46 5,39 5,3 5,68 5,61 5,9 5,75 5,61 5,54 39,13 3
50 4,24 4,35 4,34 4,64 4,64 4,6 4,74 4,81 4,52 49,47 3
Определяем нормированное значение из интервала [0- 1] для разности (хнорм!) между общими оценками эталонного судьи ^.)и тестируемого судьи ^.) по 9 элементам.
Пример:талон1 = 9,89,ест1 = 9,85, следовательно, имеем:
_ (9,89−9,85)-(-10)
норм1
10-(-10)
_ 0,502.
Затем разделим 50 оцененных эталонным судьей судей на две последовательности, по 25 в каждой. Первые 25 образуют обучающую последовательность (судьи № 1, 2, табл. 6), остальные 25 — контролирующая последовательность (судьи № 26, 27, табл. 7). На входы нейросети подаются значения модулей разностей оценок эталонного и тестируемого судей, отнормированные в интервале от 0 до 1.
Таблица 6. Обучающая последовательность
Судья Элемент 1 Элемент 2 Элемент 3 Элемент 4 Элемент 5 Элемент 6 Элемент 7 Элемент 8 Элемент 9 категория
1 0. 502 0. 508 0. 5055 0. 505 0. 5075 0. 508 0. 5085 0. 5055 0. 509 1 0 0 0
2 0. 512 0. 513 0. 5155 0. 5135 0. 5145 0. 5135 0. 5175 0. 5135 0. 5145 1 0 0 0
Таблица 7. Контролирующая последовательность
Судья Элемент 1 Элемент 2 Элемент 3 Элемент 4 Элемент 5 Элемент 6 Элемент 7 Элемент 8 Элемент 9 категория
26 0. 551 0. 558 0. 5605 0. 5565 0. 556 0. 557 0. 5625 0. 5575 0. 559 0 1 0 0
27 0. 577 0. 579 0. 5815 0. 5275 0. 578 0. 579 0. 5825 0. 5775 0. 579 0 1 0 0
Персептрон обучается на основе алгоритма обратного распространения ошибки. Затем проверяется эффективность обученной сети и определяется реакция сети (табл. 8). Составляется таблица результатов сравнения оценок эталонного судьи и оценок обученной нейросети и считается процент совпадения (табл. 9) [1].
Таблица 8. Результаты оценки судьи и нейросети
Оценка судьи Оценка нейросети
1 2 2
2 2 2
12 4 3
Таблица 9. Результаты сравнения оценки судьи и нейросети
Оценка эталонного судьи Оценка обученной нейросети Сумма
1 2 3 4
1 5 1 б
2 9 1 10
3 8 8
4 1 0 1
Сумма 5 10 10 0 25
Как видно из приведенных данных, степень совпадения оценок равна 0,88.
Перспективы проекта
Предлагаемыми программами для судейства могут быть как произвольные программы, так и отдельные элементы, фигуры, оценка художественного впечатления и т. д. и иметь различные критерии для оценки (использование площади бассейна, точность выполнения рисунков, сочетание музыкального сопровождения с движениями, оценка костюма, поддержек).
Перспективами проекта являются:
• внедрение результатов в спортивную практику-
• повышение уровня подготовки судей по синхронному плаванию (обучение, отбор, повышение квалификации, определение компетентности) —
• распространение предложенного подхода на повышение квалификации тренерского состава и на обучение студентов в профильных учебных заведениях-
• расширение использования данного подхода на другие виды спорта.
Список литературы
1. Свиридов А. П. Статистическая теория обучения. Монография. — М.: Изд-во РГСУ, 2009. — 570 с.
2. Информационные технологии в физической культуре и спорте: учеб. пособие. — СПб.: Изд-во СПбГУП, 2007. — 140 с., ил. 9.
3. МакГовен Дж. Рекомендации по судейству в синхронном плавании. Пер. с англ. — М.: Изд-во НОК РФ, 2007.
4. http: //www. fina. org

ПоказатьСвернуть
Заполнить форму текущей работой