Контрольная работа информационная деятельность человека: Контрольная работа по разделам «Информационная деятельность человека», «Информация и информационные процессы»

Содержание

Контрольная работа по теме «Информационная деятельность человека» по учебной дисциплине Информатика и ИКТ | Тест по информатике и икт (10 класс) по теме:

Контрольные вопросы

для проведения контрольной работы по теме

«Информационная деятельность человека»

по учебной дисциплине

Информатика и ИКТ

для профессий «сварщик»(150709.02),

«мастер общестроительных работ»(270802.09),

«лаборант-эколог»(240100.02).

Преподаватель  Редкозубова О. П.

Объекты контроля

Тема

Учебные элементы

Уровень усвоения

Информационная деятельность человека

Основные этапы развития информационного общества, основные понятия.

2

Виды профессиональной информационной деятельности человека с использованием технических средств и информационных ресурсов, основные понятия.

2

Правовые нормы, относящиеся к информации.

2

Информационные ресурсы общества.

2

Этапы развития технических средств и информационных ресурсов, основные понятия.

2


Контрольные вопросы

для проведения контрольной работы по теме

«Информационная деятельность человека»

по учебной дисциплине

Информатика и ИКТ

1 вариант

задания.

Содержание задания

Р

Закончите определение:

Этапы появления средств и методов обработки информации, вызвавшие кардинальные изменения в обществе, называются_____________________

1

Перечислите информационные революции:

  1. __
  2. __
  3. __
  4. __

4

Вставьте пропущенный этап становления информационного общества и запишите, на каком этапе находится современное общество _________2_______________

2

Дополните понятие:

______________ — это механическое устройство, управляемое компьютером, в различных технологических процессах.

1

Расшифруйте термин САПР:

С- _______1___________________

А- ________2_________________

ПР-_________3_________________

3

Дополните понятие:

Информационные ресурсы представляют собой _______1____, накопленные в форме, позволяющей  их______2______для_______3__________________

3

Запишите, к какой группе информационных ресурсов относятся словари, атласы: ______________________________

1

Дополните предложение:

Для удобства доступа к  цифровым образовательным ресурсам в ________1___ организован портал(____2____) на все ____3_______ сайты через ______4__________http//window.edu.ru.

4

Дополните  схему:

3

Дополните предложение: ______1_____ охрана программ для электронных вычислительных машин и баз данных в России защищается Законом «О правовой _____2______ программ для __________3____________________»

3

Запишите фамилию автора механической машины с программным управлением: _________________________

1

Запишите, кто считается первым программистом________________

1

Закончите предложение: Все типы и модели ЭВМ, построенные на одних и тех же научных и технических принципах, называются _______________

1

Заполните пустые ячейки таблицы:

Поколение ЭВМ

Элементная база

1

Транзисторы

2

Большие интегральные схемы

2

Итого

30


Контрольные вопросы

для проведения контрольной работы по теме

«Информационная деятельность человека»

по учебной дисциплине

Информатика и ИКТ

2 вариант

задания.

Содержание задания

Р

Дополните определение:

Этапы появления средств и методов ________________________________,   вызвавшие кардинальные изменения в обществе, называются информационными революциями.

1

Заполните пустые ячейки таблицы:

Информационные революции

Стало возможным

1

2

3

4

4

Вставьте пропущенный этап становления информационного общества и запишите, к какому этапу стремится современное общество ____________2____________

2

Дополните понятие:

Робот — это _______1_____ устройство, управляемое ______2_________, в различных технологических процессах.

2

Расшифруйте термин АСУ:

А- __________1_______________

С- __________2______________

У-__________3______________

3

Дополните понятие:

__________1_______________представляют собой ресурсы, __2__________ в форме, позволяющей их воспроизводство  для общества, человека.

2

Запишите, к какой группе информационных ресурсов относятся учебные книги, энциклопедии: _________________________________________

1

Дополните предложение:

 Для ___1_____ доступа к  _____2______ ресурсам в России организован ___3_____(вход) на все __________4____________через единое окно http//window.edu.ru.

4

Дополните  схему:

3

Назовите элементы образующие знак охраны авторского права на компьютерные программы:

  1. ________________1______________________
  2. _________________2_____________________
  3. ___________________3___________________

3

Запишите фамилию основоположника отечественной электронно – вычислительной техники:_________________________________

1

Запишите название первой ЭВМ:_________________________________

1

Закончите предложение: Основой классификации ЭВМ по поколениям является_________________________________________________________.

1

Дополните предложение:

Первый персональный компьютер был создан фирмой _______1________ в ________2___ году.

2

Итого

30

Эталон ответов

1 вариант

задания.

Эталон ответа

Р

       Информационными революциями.

1

  1. Изобретение письменности.(1)
  2. Изобретение книгопечатания(1).
  3. Стремительный прогресс средств связи(1)
  4. Создание ЭВМ(1)

4

  1. Постиндустриальное(1)
  2. постиндустриальное(1)

2

       Робот

1

  1. Системы(1)
  2. Автоматизированного(1)
  3. Проектирования(1)

3

  1. Знания(1),
  2. Воспроизводство(1)
  3. Общества, человека(1).

3

       К образовательным.

1

  1. России(1)
  2. Вход(1)
  3. Образовательные(1)
  4. Единое окно(1)

4

  1. Юридическому(1)
  2. Условно-бесплатные(1)
  3. С ограниченным количеством запусков(1)

3

  1. Правовая(1)
  2. Охране(1)
  3. Электронно – вычислительных машин и баз данных(1)

3

       Бэббидж

1

       Лавлейз.

1

       Поколением ЭВМ.

1

  1. Электронные лампы(1)
  2. Интегральные схемы(1)

2

Итого

30


2 вариант

задания.

Содержание задания

Р

       Обработки информации

1

  1. Сохранять знания(1)
  2. Обеспечить массовую доступность знаний(1)
  3. Оперативно передавать знания(1)
  4. Принципиально изменить работу с информацией(1)

4

  1. Индустриальное (1)
  2. К информационному(1).

2

  1. Механическое(1)
  2. Компьютером(1)

2

  1. Автоматизированная(1)
  2. Система(1)
  3. Управления(1)

3

  1. Информационные ресурсы(1)
  2. Накопленные(1)

2

       К образовательным

1

  1. Удобства(1)  
  2. Образовательным(1)  
  3. Вход(1)
  4. Образовательные сайты(1)

4

  1. Статусу (1)
  2. Платные (1)
  3. С ограниченным сроком действия (1)

3

  1. Буква С в круге(1)  
  2. Наименование правообладателя(1)  
  3. Год выпуска(1)  

3

       Лебедев

1

       ЭНИАК

1

       Элементная база  

1

  1. Apple(1)  
  2. в 1976(1)

2

Итого

30


Параметры оценивания срезовой контрольной работы.

Оценка

КУ

Количество операций

«5»

0,9КУ1

27-30

«4»

0,8КУ

24-26

«3»

0,7КУ

21-24

«2»

КУ

Менее 21

ИНФОРМАЦИОННАЯ ДЕЯТЕЛЬНОСТЬ ЧЕЛОВЕКА

I  . ИНФОРМАЦИОННАЯ ДЕЯТЕЛЬНОСТЬ ЧЕЛОВЕКА 1. Выберите правильное определение из имеющихся: «Информация – это…» (1  балл) a) Наука, которая изучает общие закономерности процессов управления, b) Знания, которые человек получает из окружающего мира, c) Собрание, совокупность книг. 2. Вставьте   пропущенное   слово,   укажите   верный   вариант   из   представленных: «Первая информационная революция связана с изобретением ­­­­­­­­­­­­­­,  что привело к гигантскому качественному и количественному скачку» (1 балл) a) Книгопечатания, b) Электричества, c) Письменности, d) Персонального компьютера. 3. Укажите правильный ответ: «Что называется информационным ресурсом?» (1 балл) a) Отдельные документы или массивы документов, b) Естественные ресурсы, c) Отдельные   документы   или   массивы   документов,   а   также   документы   и массивы документов, хранящиеся в информационных системах, d) Научно­технические   знания,   произведения   литературы   и   искусства, множество иной информации общественно­государственной значимости. II   . ИНФОРМАЦИЯ И ИНФОРМАЦИОННЫЕ ПРОЦЕССЫ 4. Выберите вариант, в котором верно подобраны свойства информации (1 балл) a) Объективность,   полнота,   достоверность,   адекватность,   доступность, актуальность, b) Объективность,   полнота,   достоверность,   адекватность,   доступность, актуальность, значимость, c) Объективность,   полнота,   достоверность,   значимость,   доступность, актуальность, d) Объективность, актуальность.   полнота,   достоверность,   адекватность,   закрытость, 5. Охарактеризуйте свойство информации: «Объективность информации – это…» (1 балл) a) Качество и достаточность, b) Степень соответствия реальному состоянию дела, c) Степень соответствия информации текущему моменту времени, d) Зависимость от человеческого фактора. 6. Выберите один верный вариант: «По форме представления информацию можно условно  разделить на следующие виды» (1 балл): a) Текстовую, числовую, графическую, табличную, b) Социальную, политическую,  экономическую,  техническую, c) Обыденную, научную, производственную, управленческую, d) Визуальную, звуковую, тактильную, вкусовую. 7. Выберите   один   верный   вариант:   «Сигналы,   в   зависимости   от   числа принимаемых значений, подразделяются на…» (1 балл) a) технические и биологические b) биологические и социальные c) аналоговые и дискретные d) симплексные и дуплексные 8. Выберите   один   верный   вариант:   «В   вычислительной   технике   для   передачи информации используется …» (1 балл) a) Дуплексный сигнал, b) Технический сигнал, c) Симплексный сигнал, d) Дискретный сигнал, 9. Продолжите определение, и выберите один верный вариант:«Система счисления – это…» (1 балл) a) Способ записи чисел с помощью цифр, b) вспомогательная дисциплина, изучающая системы летосчисления, c) Система единиц измерения в мире, d) множество элементов, находящихся в отношениях и связях друг с другом, которое образует определённую целостность, единство. 10. Вставьте   пропущенное   слово,   выберите   верный   вариант:   «­­­­­­­­   это упорядоченная   совокупность   данных,   занимающая   именованную   область памяти на внешнем носителе информации» (1 балл) a) Каталог, b) Кластер, c) Файл, d) NTFS. 11. Определите   по   расширению   тип   файла,   выберите   один   верный   вариант: «Аудио.avi.exe» (1 балл) a) Звуковой файл, b) Текстовый файл, c) Видеофайл, d) Исполняемый файл, приложение. 12. Выберите   один   верный   вариант:   «Как   называется   операция,   при   которой физически  файл остается на диске, но запись о нём удаляется из файловой системы» (1 балл) a) Переименование, b) Удаление, c) Создание, d) Копирование. 13. Выберите   один   верный   вариант:   «Описание     детерминированной последовательности действий, направленных на получение из исходных данных результата за конечное число дискретных шагов с помощью команд, понятных исполнителю – это?» (1 балл)     a) Алгоритм, b) Команда, c) Программа, d) Блок­схема. 14. Выберите   из   представленных   схем   одну,   на   которой   изображен   цикл   с постусловием (1 балл) a) Только рисунок 1, b) Только рисунок 2, c) Оба рисунка, III   . КОМПЬЮТЕР И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ 15. Укажите   наиболее   полный   перечень   основных   устройств   персонального компьютера (1 балл): a) микропроцессор, сопроцессор,  монитор b) центральный процессор, оперативная память, устройства ввода­вывода c) АЛУ, УУ, сопроцессор d) сканер, мышь, монитор, принтер 16. Выберите один верный вариант: «Видеокарта – это устройство …» (1 балл) a) это   устройство,   преобразующее   изображение,   находящееся   в   памяти компьютера, в видеосигнал для монитора, b) рабочая область для процессора компьютера, c) центральное   устройство     ЦВМ, заданные программойпреобразования информации и осуществляющее управление всем вычислительным   процессом  и   взаимодействием   устройств  вычислительной машины,  плата, которая объединяет и координирует работу таких всех внутренних устройств ПК. выполняющее   d) 17. Выберите вариант, в котором верно подобраны устройства ввода информации (1 балл): a) Монитор, принтер, сканер, микрофон, WEB­камера, b) Клавиатура, манипулятор «Мышь»,WEB­камера, колонки сканер, c) Сканер, микрофон, WEB­камера, трекбол,  d) Сканер, принтер, клавиатура, микрофон, колонки. 18. Выберите   один   верный   вариант:«На   какие   виды   делится   программное обеспечение?» (1 балл) a) Системное, прикладное, потребительское, b) Системное, прикладное, аппаратное, c) Системное, прикладное, системы программирования, d) Системное, прикладное, системы программирования, аппаратное, 19. Выберите два верных варианта: «Коммерческое ПО характеризуется» (1 балл) a) Плата за каждую копию, b) Принудительная реклама, c) Возможность бесплатного распространения, d) Бесплатная техническая поддержка. 20. Выберите один верный вариант: «Компьютерный вирус – это…» (1 балл) a) это программа, которая при запуске способна распространяться без участия человека, b) это   программа,   которая   при   запуске   не   может   выполняться  без   участия человека, c) это   программа,   которая   при   запуске   не   способна   распространяться  без участия человека, 21. Выберите один верный вариант: «Антивирусы бывают различных видов, это ­ …» (1 балл) a) Антивирусные блокировщики, трояны, винлокеры, b) Антивирусные блокировщики, ревизоры, полифаги, черви, c) Антивирусные блокировщики, ревизоры, полифаги, полифаги­мониторы, d) Антивирусные   блокировщики,   ревизоры,   полифаги,   полифаги­мониторы, репликаторы. IV   . ОБРАБОТКА ИНФОРМАЦИИ В ОФИСНЫХ ПРИЛОЖЕНИЯХ 22. Выберите один верный вариант: «Редактирование  текста представляет собой» (1 балл) a) процесс внесения изменений в  имеющийся текст b) процесс передачи текстовой информации по компьютерной сети c) процедуру   считывания   с   внешнего   запоминающего   устройства   ранее созданного текста d) процедуру сохранения текста на диске в виде текстового файла 23. Выберите   один   верный   вариант:   «Клавиша   «backspace»   используется   для удаления» (1 балл) a) символа, стоящего справа от курсора b) символа, стоящего слева от курсора  c) символа,  находящегося в позиции курсора 24. Выберите один верный вариант: «Информационная система – это…» (1 балл) a) Совокупность базы данных и системы управления данной базой данных, b) Система, позволяющая узнать новую информацию, c) программно­аппаратный   комплекс,   предоставляющий   возможность поиска информации, d) сервис,   который   помогает   пользователям   быстро   найти   нужную информацию. 25. Вставьте   пропущенные   слова   и  выберите   один   верный   вариант:   «Выделяют следующие типы баз данных: …» (1 балл) a) Табличные, иерархические, локальные, файл­серверные, b) Табличные, сетевые, клиент­серверные, локальные, реляционные, c) Табличные, сетевые, иерархические, файл­серверные, клиент­серверные, d) Табличные, сетевые, иерархические, реляционные. 26. Выберите   один   верный   вариант:   «Самым   быстрым   поиском   в   базе   данных является …?» (1 балл) a) линейный, b) по индексам, c) двоичный, d) троичный. 27. Выберите один верный вариант: «Анимация это …» (1 балл) a) широкий   спектр   технологий   записи,   обработки,   передачи,   хранения   и воспроизведения визуального и аудиовизуального материала на мониторах, b) вид изобразительного искусства, c) воспроизведение   последовательности   картинок,   создающее   впечатление движущегося изображения, d) скорость прохождения битов информации, V   . ТЕЛЕКОММУНИКАЦИОННЫЕ ТЕХНОЛОГИИ 28. Закончите определение и выберите один верный вариант: «Компьютерная сеть – это…» (1 балл) a) Соединение  двух  или  более  компьютеров  и  компьютерных  устройств  для решения задач по обмену информацией, b) Два или несколько компьютеров в одной комнате, c) Специальные   коммуникационные   технологии,   позволяющие   передавать информацию на больших расстояниях, d) Средство передачи информации по беспроводной технологии. 29. Выберите один верный вариант: «Топология сети – это …» (1 балл) a) Наука, изучающая топот животных, b) Схема расположения и соединения сетевых устройств, c) Принцип передачи информации по сети, d) Комплекс управляющих программ для работы сети. 30. Закончите определение, выберите один верный вариант: «Модем – это …» (1 балл) a) Устройство,   применяющееся   в   системах   связи   и   выполняющее   функцию модуляции и демодуляции, b) Образный аналог материальной действительности, c) Упрощенное представление реального устройства, d) Устройство,   использующее   одну   или   более   метрик   для   определения оптимального пути передачи сетевого трафика.  31. Выберите   один   верный   вариант:   «Какой   из   представленных   каналов   связи является самым современным?» (1 балл) a) Технология WiFi, b) Оптическое волокно, c) Витая пара, d) Радиоканал, VI   . ОСНОВЫ ЯЗЫКА ГИПЕРТЕКСТОВОЙ РАЗМЕТКИ ДОКУМЕНТОВ 32. Выберите один верный вариант: «Язык HTML – это …» (1 балл) a) Естественный язык, b) Язык программирования, c) Язык гипертекстовой разметки, d) Искусственный язык общения человека и персонального компьютера. 33. Расположите   варианты   в   правильном   порядке,   для   того   чтобы   получить полужирный шрифт: (1 балл) a)

, b) Данный текст должен быть полужирным, c) , d) . VII    . ОСНОВЫ ПРОГРАММИРОВАНИЯ 34. Выберите один верный вариант: «Язык Паскаль ­ это» (1 балл) a) Естественный язык, b) Язык программирования, c) Язык гипертекстовой разметки, d) Искусственный язык общения человека и персонального компьютера. 35. Выберите один верный вариант: «Описание переменных величин происходит в блоке …» (1 балл) a) VAR, b) CONST, c) BEGIN, d) READ. VIII    . АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ (АСУ) 36. Выберите один верный вариант: «Автоматизированная система управления – это …» (1 балл) a) комплекс   аппаратных   и   программных   средств,   предназначенный   для управления различными процессами в рамках технологического процесса, b) комплекс   программных   средств,   предназначенный   для   управления различными процессами в рамках технологического процесса, c) комплекс аппаратных средств, предназначенный для управления различными процессами в рамках технологического процесса, d) комплекс   аппаратных   и   программных   средств,   предназначенный   для управления процессами автоматизации производства. 37. Выберите   один   верный   вариант:   «К   функциям   Автоматизированных   систем управления относятся …» (1 балл) a) Прогнозирование, контроль, регулирование, содержание, b) Прогнозирование, контроль, координация  c) Прогнозирование, контроль, обслуживание, регулирование, d) Прогнозирование, контроль, регулирование. IX   . ТЕХНОЛОГИЯ ОБРАБОТКИ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ 38. Выберите один верный ответ: «Графический редактор может быть использован для…» (1 балл) a) сочинения музыкального произведения b) рисования c) написания сочинения d) хранения реляционных баз данных 39. Выберите   один   верный   вариант:   «Инструментами   в   графическом   редакторе являются» (1 балл) a) линия, круг, прямоугольник  b) выделение, копирование, вставка  c) карандаш, кисть, ластик d) наборы цветов (палитра)  X   . ОСНОВЫ ВИДЕОМОНТАЖА 40. Выберите один верный вариант: «Видеомонтаж ­ это» (1 балл) a) Создание видеоролика путем видеосъемки, b) Обработка,   или   редактирование   отснятого   материала,   в   результате   чего получается законченный видеофильм, c) Обработка,   или   редактирование   материала,   в   результате   чего   получается законченный объект мультимедиа, d) Использование технологий мультимедиа для настройки спецэффектов. ДОПОЛНИТЕЛЬНАЯ ЧАСТЬ 41. Перевести число 10 из десятичной системы счисления в двоичную, записать ответ. (3 балла) 42. Записать   ответ:   «В   электронной   таблице   в   ячейке   А1   записано   число   7   в   В1   – формула – А1*2, в С1 – формула – А1+В1. чему равно значение С1». (2 балла) 43. Записать   ответ:   «какая   вкладка   в  MSWORD  содержит   инструменты   настройки шрифта?» (2 балла) 44. Запишитеответ:   «Инструмент   в   графическом   редакторе  PHOTOSHOP  для смазывания по траектории называется …» (3 балла) 45. Рассчитать количество байтов в 3 Мегабайтах (3 балла) Шкала перевода баллов в отметку по пятибалльной системе Отметка «3» (удовлетворительно) «4» (хорошо) «5» (отлично) Необходимое количество баллов 25­35 35­45 (не менее одного задания дополнительной части) 45­53

РАЗДЕЛ 1. Информационная деятельность человека

Информатика и ИКТ

КОНТРОЛЬНЫЕ ЗАДАНИЯ

С краткими методическими указаниями

Для студентов заочного отделения

По специальности 150415 «Сварочное производство»

 

 

Разработала Кузнецова Г.Д.

 

2011 год

Рабочую программу разработал: Кузнецова Г.Д. преподаватель информатики высшей квалификационной категории.

Одобрен цикловой комиссией_________________________________________________________

___________________________________________________________________

 

«_____»_______________20_____г.

Протокол №______________

 

Председатель предметной комиссии ________________________ Блащаница Е.А.

Общие методически указания

Данное пособие ставит своей целью оказание помощи студентам заочных отделений ССУЗ в организации их самостоятельной работы по овладению системой знаний, умений и навыков в объеме действующей программы.

Эта работа требует не только большого упорства, но и умения работать за компьютером, без которого затрата сил и времени не даёт должного эффекта.

ТРЕБОВАНИЯ К ОФОРМЛЕНИЮ И СОДЕРЖАНИЮ КОНТРОЛЬНОЙ РАБОТЫ

1. Контрольная работа выполняется на компьютере и распечатывается на листах А4.

2. Все листы должны быть пронумерованы в колонтитулах.

3. Первый лист должен быть титульным, в котором указать фамилию и группу студента.

4. Поля: левое 2,5 см, а остальные по 1см.

5. Каждое задание начинать с условия.

6. Каждое задание начинать с новой страницы.

7. Решение заданий располагать в порядке, указанном в таблице.

8. В конце работы следует указать используемую литературу и сайт.

9. Контрольная работа должна быть выполнена в срок.

10. Работа выполненная не по своему варианту возвращается студенту , не проверяется преподавателем и не учитывается.

11. Студент, не имеющий зачёт по контрольной работе не допускается до экзамена.

12. Можно сдать электронный вариант контрольной работы на E-mail: [email protected]

 

ТАБЛИЦА ВАРИАНТОВ КОНТРОЛЬНЫХ РАБОТ СОГЛАСНО ШИФРА

ПОСЛЕДНЯЯ ЦИФРА ШИФРА ПРЕДПОСЛЕДНЯЯ ЦИФРА ШИФРА
1.3 2.6 3.9 4.4. 5.7. 1.2 2.5 3.8. 4.5. 5.6. 1.1 2.9 3.1. 4.6. 5.5. 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1. 1.1 2.4 3.6. 4.9. 5.2. 1.6 2.7 3.3. 4.2. 5.3. 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.9 2.2 3.5. 4.4. 5.8.
1.5 2.1 3.7. 4.8. 5.1 1.1 2.4 3.6. 4.9. 5.2 1.9 2.2 3.5. 4.4. 5.8. 1.8 2.3 3.3. 4.3. 5.9. 1.2 2.5 3.8. 4.5. 5.6. 1.6 2.7 3.3. 4.2. 5.3. 1.7 2.1 3.4. 4.1. 5.4. 1.1 2.9 3.1. 4.6. 5.5. 1.4 2.8 3.2. 4.7. 5.4. 1.3 2.6 3.9 4.4. 5.7.
1.8 2.3 3.3. 4.3. 5.9. 1.4 2.8 3.2. 4.7. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.7 2.1 3.4. 4.1. 5.4. 1.1 2.9 3.1. 4.6. 5.5. 1.1 2.4 3.6. 4.9. 5.2 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.6 2.7 3.3. 4.2. 5.3. 1.5 2.1 3.7. 4.8. 5.1
1.2 2.5 3.8. 4.5. 5.6. 1.1 2.9 3.1. 4.6. 5.5. 1.9 2.2 3.5. 4.4. 5.8. 1.3 2.6 3.9 4.4. 5.7. 1.6 2.7 3.3. 4.2. 5.3. 1.8 2.3 3.3. 4.3. 5.9. 1.7 2.1 3.4. 4.1. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.4 2.8 3.2. 4.7. 5.4. 1.1 2.4 3.6. 4.9. 5.2
1.1 2.4 3.6. 4.9. 5.2 1.3 2.6 3.9 4.4. 5.7. 1.8 2.3 3.3. 4.3. 5.9. 1.4 2.8 3.2. 4.7. 5.4. 1.7 2.1 3.4. 4.1. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.9 2.2 3.5. 4.4. 5.8. 1.2 2.5 3.8. 4.5. 5.6. 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.9 3.1. 4.6. 5.5.
1.1 2.9 3.1. 4.6. 5.5. 1.5 2.1 3.7. 4.8. 5.1 1.9 2.2 3.5. 4.4. 5.8. 1.3 2.6 3.9 4.4. 5.7. 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.4 3.6. 4.9. 5.2 1.4 2.8 3.2. 4.7. 5.4. 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.2 2.5 3.8. 4.5. 5.6.
1.2 2.5 3.8. 4.5. 5.6. 1.1 2.4 3.6. 4.9. 5.2 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.1 2.9 3.1. 4.6. 5.5. 1.6 2.7 3.3. 4.2. 5.3.
1.3 2.6 3.9 4.4. 5.7. 1.8 2.3 3.3. 4.3. 5.9. 1.1 2.9 3.1. 4.6. 5.5. 1.6 2.7 3.3. 4.2. 5.3. 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.1 2.4 3.6. 4.9. 5.2 1.7 2.1 3.4. 4.1. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.9 2.2 3.5. 4.4. 5.8.
1.4 2.8 3.2. 4.7. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.1 2.9 3.1. 4.6. 5.5. 1.8 2.3 3.3. 4.3. 5.9. 1.5 2.1 3.7. 4.8. 5.1 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.4 3.6. 4.9. 5.2 1.7 2.1 3.4. 4.1. 5.4.
1.8 2.3 3.3. 4.3. 5.9. 1.1 2.9 3.1. 4.6. 5.5. 1.1 2.4 3.6. 4.9. 5.2 1.5 2.1 3.7. 4.8. 5.1 1.7 2.1 3.4. 4.1. 5.4. 1.4 2.8 3.2. 4.7. 5.4. 1.6 2.7 3.3. 4.2. 5.3. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.2 2.5 3.8. 4.5. 5.6.

СОДЕРЖАНИЕ КОНТРОЛЬНОЙ РАБОТЫ

РАЗДЕЛ 1. Информационная деятельность человека

1.Понятие «информатика».

2.Роль информационной деятельности в современном обществе: экономической, социальной, культурной, образовательной сферах

3.Основные этапы развития информационного общества.

4.Этапы развития технических средств и информационных ресурсов.

5.Информационные ресурсы общества.

6.Образовательные информационные ресурсы.

7.Виды профессиональной информационной деятельности человека с использованием технических средств и информационных ресурсов.

8.Лицензионные и свободно распространяемые программные продукты.

9.Организация обновления программного обеспечения с использованием сети Интернет.

РАЗДЕЛ 2. Информация и информационные процессы

1.Подходы к понятию информации и измерению информации.

2.Информационные объекты различных видов.

3.Представление информации в двоичной системе счисления..

4.Принципы обработки информации компьютером.

5.Арифметические и логические основы работы компьютера.

6.Дискретное (цифровое) представление текстовой, графической, звуковой информации и видеоинформации.

7.Представление информации в различных системах счисления.

8.Хранение информационных объектов различных видов на различных цифровых носителях.

9.Определение объемов различных носителей информации.

10.Архив информации.Создание архива данных.

11.Извлечение данных из архива. Запись информации на компакт-диски различных видов.

12.Поиск информации с использованием компьютера.

13.Программные поисковые сервисы. Передача информации между компьютерами. Управление процессами.

14.АСУ различного назначения, примеры их использования.

Межстрочный интервал

1. Записать текст

2. Выделить

3. Разметка страницы

4. Абзац

5. Выбрать вкладку «Отступы и интервалы»

1. Из списка установить нужный межстрочный интервал

2. ОК

 

Буквица

1. Записать текст

2. Выделить букву для буквицы

3. Вставка Буквица

4.Установить нужное положение

5.Выбрать шрифт

6.Установить высоту в строках

7.Установить расстояние от текста

8.ОК

 

Фон страницы:

1.Разметка страницы /Подложка / Настраиваемая подложка

2.выбрать цвет или другие цвета или способы заливки,

3.в способах заливки выбрать цвет текстура, узор или из заготовок,

4.можно выбрать тип штриховки, если надо,

5.ОК

 

Подложка

1. Разметка страницы / подложка / Настраиваемая подложка

2. выбрать рисунок или текст

3. если выбрали текст, то записать нужный текст или выбрать из списка

4. установить расположение

5. применить, ОК

 

 

Колонки:

1. установить курсор

2. Разметка страницы / колонки

3. Другие колонки

4. Установить число колонок

5. Применить / до конца документа или ко всему документу

 

Таблица

  1. Установить курсор
  2. Таблица добавить таблицу
  3. установить число строк и столбцов
  4. ОК

Объединение ячеек

  1. Выделить ячейки
  2. Таблица Объединенить ячейки

Разбить ячейки

  1. Установить курсор в ячейку
  2. Таблица Разбить ячейки
  3. установить число строк и столбцов
  4. ОК

Центрирование текста в таблице:

  1. выделить ячейки
  2. вид / панель инструментов / таблицы и границы
  3. выбрать кнопку «посередине по центру»

Объединение ячеек

1.Выделить ячейки

2.Главная / в блоке «выравнивание» выбрать кнопку

Предварительный просмотр

1. Кнопка Оffice

2. Печать / предварительный просмотр

Автонумерация:

1. записать цифры 1 и 2

2. выделить их

3. установить курсор в правый нижний угол, нажать левую кнопку мыши и не отпуская протянуть до нужного номера.

 

Автосуммирование

1. Выделить ячейки для суммирования

2. Щелкнуть кнопку автосумма

 

Вставка формул

Копирование формул

Денежный формат

1. Выделить ячейки

2. Главная / блок «выравнивание» / окно «формат ячеек»

3. Выбрать вкладку «Число», или «денежный»

4. Выбрать числовой формат

5. Установить число десятичных знаков 2

6. ОК

 

Границы таблицы

1. Выделить таблицу

2. Из списка кнопки «Границы» выбрать «все границы»

 

Автофильтр

Расширенный фильтр

Используется для сложных критериев.

1.Составить таблицы: «таблица критериев» и «Выходные данные», причем заголовки столбцов копировать.

2.Выделить всю таблицу, начиная с заголовков столбцов

3.Данные / фильтр / дополнительно

4.Появится окно «расширенный фильтр»

5.Указать в опциях диапазон ячеек

6.Скопировать данные в другое место.

 

 

 

 

ЛИТЕРАТУРА

Основные источники:

1. Андреева. Е.В. Математические основы информатики: Элективный курс. / Е.В. Андреева. – М.: 2007. – 273 c.

2. Залогова, Л.А. Компьюрная графика: Практикум. Учебное пособие. Элективный курс. / Л.А. Залогова. – М.: 2008. – 591 c.

3. Монахов, М.Ю. Создаем школьный сайт: Элективный курс. Практикум/ М.Ю. Монахов. – М.: 2007. – 315 c.

4. Угринович, Н.Д. Исследование информационных моделей: Элективный курс/ Н.Д. Угринович. – М.: 2006. – 287 c.

5. Усенков. Д.Ю. Уроки WEB-мастера/ Д.Ю. Усенков. – М.: 2006. – 375 c.

6. Шафрин. Ю.А. Информатика: Информационные технологии. Том 1-2./ Ю.А. Шафрин. – М.: 2008. – 398 c.

Дополнительные источники:

1. Бешенков. С.А. Информатика: Учебник 11 кл. /С.А. Бешенков.– М.: 2007. – 398 c.

2. Бешенков. С.А. Информатика: Учебник 10 кл./ С.А. Бешенков. – М.: 2008. – 275 c.

3. Кузнецов. А.А. Информатика: тестовые задания/ А.А. Кузнецов. – М.: 2006. – 415 c.

4. Михеева. Е.В. Практикум по информации: учеб. Пособие/ Е.В. Михеева. – М.: 2007. – 365 c.

5. Михеева. Е.В. Информатика: учебник/ Е.В. Михеева– М.: 2009. – 215 c.

6. Самылкина. Н.Н. Построение тестовых задач по информатике: Методическое пособие/ Н.Н. Самылкина. – М.: 2006. – 398 c.

7. Семакин. И.Г. Информатика: Структурированный конспект базового курса/ И.Г. Семакин. – М.,:2007. – 175 c.

8. Угринович. Н.Д. Практикум по информатике и информационным технологиям :10–11 кл./ Н.Д. Угринович. – М.: 2008. – 425 c.

9. Угринович Н.Д. Информатика и информационные технологии: Учебник 10–11 кл./ Н.Д. Угринович. – М., 2006. – 415 c/

10. Угринович. Н.Д. Преподавание курса «Информатика и ИКТ»:7–11 классы/ Н.Д. Угринович. – М., 2006. – 365 c.

Интернет-ресурсы

1. Никифорова М. В. Презентация «Условная функция и логические

выражения в табличном процессоре Excel». [Электронный ресурс]. Режим доступа: http://www.metod-kopilka.ru/page-4-1-7-5.html

2. Видеоурок «Знакомство с текстовым редактором MS Word 2007». [Электронный ресурс]. Режим доступа: http://www.videouroki.net/view_post.php?id=96

3. Брызгалов Е.В., Шестаков А.П. Уроки по Access. [Электронный ресурс]. Режим доступа: http://comp-science.narod.ru/KR/BD.htm

4. Презентация-урок «Как нельзя делать презентации или учимся на ошибках». [Электронный ресурс]. Режим доступа: http://pedsovet.su/load/270-1-0-5460

 

Информатика и ИКТ

КОНТРОЛЬНЫЕ ЗАДАНИЯ

С краткими методическими указаниями

Для студентов заочного отделения

По специальности 150415 «Сварочное производство»

 

 

Разработала Кузнецова Г.Д.

 

2011 год

Рабочую программу разработал: Кузнецова Г.Д. преподаватель информатики высшей квалификационной категории.

Одобрен цикловой комиссией_________________________________________________________

___________________________________________________________________

 

«_____»_______________20_____г.

Протокол №______________

 

Председатель предметной комиссии ________________________ Блащаница Е.А.

Общие методически указания

Данное пособие ставит своей целью оказание помощи студентам заочных отделений ССУЗ в организации их самостоятельной работы по овладению системой знаний, умений и навыков в объеме действующей программы.

Эта работа требует не только большого упорства, но и умения работать за компьютером, без которого затрата сил и времени не даёт должного эффекта.

ТРЕБОВАНИЯ К ОФОРМЛЕНИЮ И СОДЕРЖАНИЮ КОНТРОЛЬНОЙ РАБОТЫ

1. Контрольная работа выполняется на компьютере и распечатывается на листах А4.

2. Все листы должны быть пронумерованы в колонтитулах.

3. Первый лист должен быть титульным, в котором указать фамилию и группу студента.

4. Поля: левое 2,5 см, а остальные по 1см.

5. Каждое задание начинать с условия.

6. Каждое задание начинать с новой страницы.

7. Решение заданий располагать в порядке, указанном в таблице.

8. В конце работы следует указать используемую литературу и сайт.

9. Контрольная работа должна быть выполнена в срок.

10. Работа выполненная не по своему варианту возвращается студенту , не проверяется преподавателем и не учитывается.

11. Студент, не имеющий зачёт по контрольной работе не допускается до экзамена.

12. Можно сдать электронный вариант контрольной работы на E-mail: [email protected]

 

ТАБЛИЦА ВАРИАНТОВ КОНТРОЛЬНЫХ РАБОТ СОГЛАСНО ШИФРА

ПОСЛЕДНЯЯ ЦИФРА ШИФРА ПРЕДПОСЛЕДНЯЯ ЦИФРА ШИФРА
1.3 2.6 3.9 4.4. 5.7. 1.2 2.5 3.8. 4.5. 5.6. 1.1 2.9 3.1. 4.6. 5.5. 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1. 1.1 2.4 3.6. 4.9. 5.2. 1.6 2.7 3.3. 4.2. 5.3. 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.9 2.2 3.5. 4.4. 5.8.
1.5 2.1 3.7. 4.8. 5.1 1.1 2.4 3.6. 4.9. 5.2 1.9 2.2 3.5. 4.4. 5.8. 1.8 2.3 3.3. 4.3. 5.9. 1.2 2.5 3.8. 4.5. 5.6. 1.6 2.7 3.3. 4.2. 5.3. 1.7 2.1 3.4. 4.1. 5.4. 1.1 2.9 3.1. 4.6. 5.5. 1.4 2.8 3.2. 4.7. 5.4. 1.3 2.6 3.9 4.4. 5.7.
1.8 2.3 3.3. 4.3. 5.9. 1.4 2.8 3.2. 4.7. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.7 2.1 3.4. 4.1. 5.4. 1.1 2.9 3.1. 4.6. 5.5. 1.1 2.4 3.6. 4.9. 5.2 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.6 2.7 3.3. 4.2. 5.3. 1.5 2.1 3.7. 4.8. 5.1
1.2 2.5 3.8. 4.5. 5.6. 1.1 2.9 3.1. 4.6. 5.5. 1.9 2.2 3.5. 4.4. 5.8. 1.3 2.6 3.9 4.4. 5.7. 1.6 2.7 3.3. 4.2. 5.3. 1.8 2.3 3.3. 4.3. 5.9. 1.7 2.1 3.4. 4.1. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.4 2.8 3.2. 4.7. 5.4. 1.1 2.4 3.6. 4.9. 5.2
1.1 2.4 3.6. 4.9. 5.2 1.3 2.6 3.9 4.4. 5.7. 1.8 2.3 3.3. 4.3. 5.9. 1.4 2.8 3.2. 4.7. 5.4. 1.7 2.1 3.4. 4.1. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.9 2.2 3.5. 4.4. 5.8. 1.2 2.5 3.8. 4.5. 5.6. 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.9 3.1. 4.6. 5.5.
1.1 2.9 3.1. 4.6. 5.5. 1.5 2.1 3.7. 4.8. 5.1 1.9 2.2 3.5. 4.4. 5.8. 1.3 2.6 3.9 4.4. 5.7. 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.4 3.6. 4.9. 5.2 1.4 2.8 3.2. 4.7. 5.4. 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.2 2.5 3.8. 4.5. 5.6.
1.2 2.5 3.8. 4.5. 5.6. 1.1 2.4 3.6. 4.9. 5.2 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.7 2.1 3.4. 4.1. 5.4. 1.8 2.3 3.3. 4.3. 5.9. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.1 2.9 3.1. 4.6. 5.5. 1.6 2.7 3.3. 4.2. 5.3.
1.3 2.6 3.9 4.4. 5.7. 1.8 2.3 3.3. 4.3. 5.9. 1.1 2.9 3.1. 4.6. 5.5. 1.6 2.7 3.3. 4.2. 5.3. 1.4 2.8 3.2. 4.7. 5.4. 1.5 2.1 3.7. 4.8. 5.1 1.1 2.4 3.6. 4.9. 5.2 1.7 2.1 3.4. 4.1. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.9 2.2 3.5. 4.4. 5.8.
1.4 2.8 3.2. 4.7. 5.4. 1.2 2.5 3.8. 4.5. 5.6. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.1 2.9 3.1. 4.6. 5.5. 1.8 2.3 3.3. 4.3. 5.9. 1.5 2.1 3.7. 4.8. 5.1 1.6 2.7 3.3. 4.2. 5.3. 1.1 2.4 3.6. 4.9. 5.2 1.7 2.1 3.4. 4.1. 5.4.
1.8 2.3 3.3. 4.3. 5.9. 1.1 2.9 3.1. 4.6. 5.5. 1.1 2.4 3.6. 4.9. 5.2 1.5 2.1 3.7. 4.8. 5.1 1.7 2.1 3.4. 4.1. 5.4. 1.4 2.8 3.2. 4.7. 5.4. 1.6 2.7 3.3. 4.2. 5.3. 1.3 2.6 3.9 4.4. 5.7. 1.9 2.2 3.5. 4.4. 5.8. 1.2 2.5 3.8. 4.5. 5.6.

СОДЕРЖАНИЕ КОНТРОЛЬНОЙ РАБОТЫ

РАЗДЕЛ 1. Информационная деятельность человека

1.Понятие «информатика».

2.Роль информационной деятельности в современном обществе: экономической, социальной, культурной, образовательной сферах

3.Основные этапы развития информационного общества.

4.Этапы развития технических средств и информационных ресурсов.

5.Информационные ресурсы общества.

6.Образовательные информационные ресурсы.

7.Виды профессиональной информационной деятельности человека с использованием технических средств и информационных ресурсов.

8.Лицензионные и свободно распространяемые программные продукты.

9.Организация обновления программного обеспечения с использованием сети Интернет.

Основные этапы развития информационного общества. Этапы развития технических средств и информационных ресурсов.

Этапы развития информационного общества.

В развитии человечества существуют четыре этапа, названные информационными революциями, которые внесли изменения в его развитие.

  1. Первый этап – связан с изобретением письменности. Это обусловило качественный гигантский и количественный скачек в развитии общества. Знания стало возможно накапливать и передавать последующим поколениям, т.е. появились средства и методы накопления информации. В некоторых источниках считается, что содержание первой информационной революции составляет распространение и внедрение в деятельность и сознание человека языка.
  2. Второй этап – изобретение книгопечатания. Это дало в руки человечеству новый способ хранения информации, а так же сделало более доступным культурные ценности.
  3. Третий этап– изобретение электричества. Появились телеграф, телефон и радио, позволяющие быстро передавать и накапливать информацию в любом объеме. Появились средства информационных коммуникаций.
  4.  Четвертый этап – изобретение микропроцессорной технологии и персональных компьютеров. Толчком к этой революции послужило создание в середине 40-х годов ЭВМ. Эта последняя революция дала толчок человеческой цивилизации для переходы от индустриального к информационному обществу- обществу, в котором большинство работающих занято производством, хранением, переработкой и реализацией информации, особенно высшей ее формой – знанием. Началом этого послужило внедрение в различные сферы деятельности человека современных средств обработки и передачи информации – этот процесс называется информатизацией

Основные черты информационного общества.

Информационное общество — общество, в котором большинство работающих занято производством, хранением, переработкой и реализацией информации, особенно высшей её формы — знаний. 

Некоторые характерные черты информационного общества:

  1. Объёмы информации возрастут и человек будет привлекать для её обработки и хранения специальные технические средства.
  2.  Неизбежно использование компьютеров.
  3. Движущей силой общества станет производство информационного продукта.
  4. Увеличится доля умственного труда, т.к. продуктом производства в информационном обществе станут знания и интеллект.
  5. Произойдёт переоценка ценностей, уклада жизни и изменится культурный досуг.
  6. Развиваются компьютерная техника, компьютерные сети, информационные технологии.
  7. У людей дома появляются всевозможные электронные приборы и компьютеризированные устройства.
  8. Производством энергии и материальных продуктов будут заниматься машины, а человек главным образом обработкой информации.
  9. В сфере образования буде создана система непрерывного образования.
  10. Дети и взрослые смогут обучаться на дому с помощью компьютерных программ и телекоммуникаций.
  11. Появляется и развивается рынок информационных услуг. 

Виды профессиональной информационной деятельности человека с
использованием технических средств и информационных ресурсов .

Деятельность человека, связанную с процессами получе­ния, преобразования, накопления и передачи информации, называют информационной деятельностью.

 В настоящее время компьютеры используются для обра­ботки не только чисел, но и других видов информации. Бла­годаря этому компьютеры прочно вошли в жизнь современ­ного человека, широко применяются в производстве, проектно-конструкторских работах, бизнесе и многих других отраслях.

 Но к современным техническим средствам работы с ин­формацией относятся не только компьютеры, но и другие устройства, обеспечивающие ее передачу, обработку и хра­нение:

  • Сетевое оборудование: модемы, кабели, сетевые адаптеры.
  • Аналого-цифровые и цифро-аналоговые преобразователи.
  • цифровые фото- и видеокамеры, цифровые диктофоны.
  • Записывающие устройства (CD-R, CD-RW, DVD-RW и др.).
  • Полиграфическое оборудование.
  • Цифровые музыкальные студии.
  • Медицинское оборудование для УЗИ и томографии;
  • Сканеры в архивах, библиотеках, магазинах, на экзаме­нах и избирательных участках;
  • ТВ-тюнеры для подачи телевизионного сигнала в компьютер.
  • Плоттеры и различные принтеры.
  • Мультимедийные проекторы.
  • Флэш-память, используемая также в плеерах и фотоап­паратах.
  • Мобильные телефоны.
 Кроме персональных компьютеров существуют мощные вычислительные системы для решения сложных науч­но-технических и оборонных задач, обработки огромных баз данных, работы телекоммуникационных сетей:
  • Многопроцессорные системы параллельной обработки данных (управление сложными технологическими про­цессами).
  • Серверы в глобальной компьютерной сети, управляю­щие работой и хранящие огромный объем информации.
  • Специальные компьютеры для проектно-конструкторских работ.

Этические и правовые нормы информационной деятельности человека

Определение 1

Этические и правовые нормы информационной деятельности человека — это нормы, которые определяют поведение человека в информационном пространстве.

Введение

Согласно историческим устоям объектом прав собственности считаются материальные объекты. Информация, естественно, не может считаться материальным объектом, но она зафиксирована на носителях, имеющих материальную основу. Изначально информация располагается в человеческой памяти, а далее она подвергается отчуждению и переносу на различные носители, материального типа, такие как, книги, компакт-диски и другие информационные накопители. Следовательно, информационные данные могут подвергаться тиражированию за счёт продвижения материальных носителей. Трансляция таких материальных носителей от субъекта, владеющего информацией, к субъекту, её использующему, может повлечь за собой потерю права собственности информационным владельцем.

Интенсивность таких процессов сильно выросла благодаря тотальному распространению интернета. Не является уже секретом, что частенько книжные издания, музыкальные произведения и иные производные интеллектуальной человеческой деятельности могут быть размещены на разных сайтах без указания ссылок на исходные источники и без согласования с авторами информации. Реализованный авторами интеллектуальный продукт может стать достоянием большого количества пользователей, которые используют его безвозмездно, причём, права автора не берутся во внимание.

Учитывая тот факт, что информация, по сути, никак не отличается от иных объектов собственности, к примеру, автомобиля, здания, мебели и других материальных товаров, можно утверждать о присутствии аналогичных прав собственности также и на информацию.

Этические и правовые нормы информационной деятельности человека

Право собственности включает в свой состав следующие главные компоненты:

  1. Право распоряжения, которое заключается в том, что только субъект, владеющий информацией, обладает правом определения, кому данную информацию можно предоставить.
  2. Право владения, которое обеспечивает субъекту, владеющему информацией, сохранение информации в первозданном формате. Никто, кроме владельца информации, не вправе её корректировать.
  3. Право использования, которое даёт возможность субъекту, владеющему информацией, использовать её только для своих целей.

Следовательно, все субъекты, являющиеся пользователями, должны стать владельцами данных прав, прежде чем они смогут пользоваться заинтересовавшим их информационным продуктом. Данное право регулируется и охраняется государственными инфраструктурными образованиями и необходимым сводом законов. Подобно всем другим объектам собственности, данная инфраструктура представляет собой следующую цепочку:

  1. Законодательные органы власти, издающие законы.
  2. Судебные органы власти, выносящие постановления (решения).
  3. Исполнительные органы власти, осуществляющие наказание.

Все законы о правах собственности обязаны регулировать взаимоотношения между субъектом, владеющим правом на информацию, и субъектом, использующим информацию. Эти законы обязаны защитить и права собственников, и права пользователей, приобретающих информационные товары на законных основаниях.

Защищённость информационной собственности состоит в том, что существуют правовые механизмы защиты информации от разглашения, различных утечек, несанкционированных действий, таких как, копирование, корректировка и ликвидация. На сегодняшний день по данной проблеме в мировом сообществе уже выработан набор действий, направленных на защиту права собственности на интеллектуальные продукты. Нормативную и правовую базу требуемых мер определяет юридическая документация, а именно, законодательные акты, постановления и указы, обеспечивающие необходимый уровень цивилизованных отношений на рынке информационных продуктов.

В Российской Федерации, где происходят серьёзные экономические модификации, самым актуальным стал организационный фактор политики государственных органов власти. Это компонент, являющийся государственным регулированием взаимоотношений производителей и субъектов, занимающихся распространением информационных товаров и услуг.

Фактор информированности способствует развитию цивилизованных взаимоотношений производителей и пользователей информационных продуктов. То есть должны быть в наличии справочные и навигационные средства, которые помогают в нахождении требуемой информации. Данные об информационной организации рынка, в том числе о производителях и распространителях информации, находятся в разных справочниках, таких как, например, «Российская энциклопедия информации и телекоммуникаций».

Взаимные отношения в людском сообществе основываются также на сформированных человеком нормах морали и нравственности, то есть на этических нормах. То есть, чтобы охарактеризовать весь комплекс проблем, сопряжённых с поведением человека, применяется понятие «этика». Этикой является философская наука, изучающая нормы морали.

В этике исследуются два типа проблем:

  1. Как следует поступить человеку в различных ситуациях.
  2. Теоретические основы происхождения и смысла понятия «мораль».

Проблемы первого типа определяют практическую направленность этики. Практическая значимость этики видна прежде всего в области общения людей, важнейшей составляющей которого считается общение людей при осуществлении совместной деятельности.

Совместная деятельность группы людей практически никогда не является нейтральной относительно нравственности. В истории как раз мораль, а никак не право, стала первым форматом, регулирующим людские взаимоотношения. Особо важную роль данный формат, регулирующий деловые отношения, получил в демократическом сообществе, в котором нет жёсткого контроля государственных органов власти за человеческой деятельностью.

Техникум для инвалидов «Профессионально-реабилитационный центр»

Обучение в СПб ГБУ «Профессионально-реабилитационный центр» проводится на базе среднего общего образования по основным образовательным программам среднего профессионального образования на 2 площадках по адресам В.О. 26 линия, д. 9, тел. (812) 322 74 91 и Волковский пр., д. 4, тел. (812) 766 23 75:

В СПб ГБУ «Профессионально-реабилитационный центр» годами складывался творческий, работоспособный коллектив. Большинство из наших педагогических работников имеют высшую квалификационную категорию.

У нас работают кандидат технических наук, кандидат медицинских наук, почетный работник начального профессионального образования, почетные работники общего образования.

Наши преподаватели, социальные педагоги, психологи и медики помогают в овладении новыми знаниями, поддерживают в решении сложных ситуаций.

А для того, чтобы наши выпускники могли скорее применить полученные знания на практике, в СПб ГБУ «Профессионально- реабилитационный центр» работает отдел организации практики и содействия трудоустройству. Все услуги оказываются в учреждении бесплатно.

Функциональный дом технических средств реабилитации был открыт в Профессионально- реабилитационном центре в 2009 году как результат российско-финского проекта

Здесь можно познакомиться с новейшими техническими средствами реабилитации, позволяющими человеку с ограниченными возможностями здоровья адаптироваться на рабочем месте и устроить свой быт.

Приходите к нам учиться, и мы вместе будем радоваться Вашим успехам!

Контрольная работа №1 к разделу Информационная деятельность человека для СПО

Фамилия____________________№ группы_______

Контрольная работа по I главе «Информационная деятельность человека».

I Блок

  1. Что такое «информация» (выберите один вариант ответа)

  1. лица, предметы, процессы и т.п.;

  2. сведения, сообщения и данные;

  3. каменные плиты, глиняные таблички, пергамент, папирус, береста, бумага и т.п.;

  4. компьютерные программы.

  1. Источники информации (выберите один вариант ответа)

  1. человек и любой другой животный мир;

  2. камень, глина, пергамент, папирус, береста, бумага и т.п.;

  3. люди, предметы или устройства, от которых может быть получена информация;

  4. люди, предметы, полезные ископаемые и устройства.

  1. Потребители информации (выберите один вариант ответа)

  1. люди и программно-технические средства;

  2. люди и животные;

  3. программно-технические средства;

  4. животный и растительный мир, люди, технические устройства.

  1. «Информатика» — это… (выберите один вариант ответа)

  1. наука о законах и методах получения, измерения, накопления, хранения, переработки и передачи информации с применением математических и технических средств;

  2. данные, используемые для автоматизированной обработки и переработки информации;

  3. научная дисциплина, изучающая технические, программные и алгоритмические (технологические) средства;

  4. кибернетика.

  1. Напишите определение:

___________________________________________- деятельность, обеспечивающая сбор, обработку, хранение, поиск и распространение информации, а также формирование информационного ресурса и организацию доступа к нему.

  1. Напишите определение:

____________________________________________- общество, в котором большинство работающих занято производством, хранением, переработкой и реализацией информации.

  1. Основные характеристики информационного общества определяются по следующим сферам (Соотнесите понятия и примеры, заполните таблицу):

Экономическая сфера

  1. мультимедийные презентации, учебные плакаты, инструкционные карты.

  1. Социальная сфера

б) телевидение, интернет, радио, реклама.

  1. Культурная сфера

в) электронная почта, электронные библиотеки, Федеральные образовательные курсы.

  1. Образовательная сфера

г) программное обеспечение, базы данных, образовательные услуги, консультирование.

II Блок

  1. Напишите определение «информационной революции»:

Информационная революция — это _____________________________________________________________________________________________________________________________________________________________________________________________________.

  1. Взаимосвязь между информационными революциями и их изобретениями.

Соотнесите информационные революции с примерами изобретений (пример: 1-б). Заполните таблицу:

Первая информационная революция

Вторая информационная революция

Третья информационная революция

Четвёртая информационная революция

  1. Первым инструментом для счёта можно считать (выберите один вариант ответа):

а) руку человека;

б) палочки;

в) арифмометр;

г) камешки.

  1. Первые ЭВМ были созданы в … (выберите один вариант ответа):

а) в 40-е годы;

б) в 60-е годы;

в) в 70-е годы;

г) в 80-е годы.

  1. Под термином «поколение ЭВМ» понимают… (выберите один вариант ответа):

а) все счетные машины;

б) все типы и модели ЭВМ, построенные на одних и тех же научных и технических принципах;

в) совокупность машин, предназначенных для обработки, хранения и передачи информации;

г) все типы и модели ЭВМ, созданные в одной и той же стране.

  1. Машины первого поколения были созданы на основе… (выберите один вариант ответа):

а) транзисторов;

б) реле;

в) зубчатых колес;

г) электронно-вакуумных ламп.

  1. Электронной базой ЭВМ второго поколения являются… (выберите один вариант ответа):

а) полупроводники;

б) электронные лампы;

в) интегральные микросхемы;

г) БИС.

  1. Основной элементной базой ЭВМ третьего поколения являются… (выберите один вариант ответа):

а) БИС;

б) СБИС;

в) интегральные микросхемы;

г) транзисторы.

  1. Основной элементной базой ЭВМ четвертого поколения являются… (выберите один вариант ответа):

а) полупроводники;

б) электромеханические схемы;

в) электровакуумные лампы;

г) БИС.

  1. В каком поколении машин появились первые программы? (выберите один вариант ответа):

а) в первом поколении;

б) во втором поколении;

в) в третьем поколении;

г) в четвертом поколении.

  1. Что представляет собой большая интегральная схема (БИС)? (выберите один вариант ответа):

а) транзисторы, расположенные на одной плате;

б) кристалл кремния, на котором размещаются от десятков до сотен логических элементов;

в) набор программ для работы на ЭВМ.

  1. Информационный ресурс — это … (выберите один вариант ответа):

а) это совокупность данных, организованных для эффективного получения достоверной информации;

б) совокупность информационных ресурсов, организованных для уничтожения полезной информации;

в) совокупность материальных, энергетических, трудовых и финансовых ресурсов.

  1. Приведите примеры информационных ресурсов (заполните пустые ячейки):

  1. Правонарушения в информационной сфере (вставьте пропущенные слова):

____________________ доступ к информации. Лицо получает доступ к _________________информации, например, ___________________________________.

Нарушение ____________________ компьютерной системы. Примером такого рода преступлений является _______________ и __________________ компьютерных ________________.

_________________ (искажение или изменение), т.е. нарушение ___________________ компьютерной информации. К подобного рода действиям можно отнести _______________________________________________________________, путем внесения изменений в итоговые протоколы.

  1. Приведите примеры компьютерных антивирусов:

  1. __________________________________________;

  2. __________________________________________;

  3. __________________________________________;

  4. __________________________________________.

III Блок

  1. Дайте определение «информационной деятельности человека»:

Информационная деятельность человека - ________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________.

  1. Приведите примеры информационной деятельности общества (любой человек каждый день занимается информационной деятельностью):

  1. ________________________; 4) ________________________;

  2. ________________________; 5) ________________________;

  3. ________________________; 6) ________________________.

  1. Как информационная деятельность человека может быть профессиональной? (свободный вопрос)

_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________.

  1. Напишите заголовок к устройствам (см. ниже), обеспечивающих передачу, обработку и хранение информации?

_________________________________________

(написать)

Сетевой адаптер

Модем

CD-R диск

Медицинское оборудования для УЗИ

Плоттер

Мультимедийный проектор

Критерии оценивания

Каждый вопрос оценивается в 1 балл.

Оценка «5» ставится, если студент набрал 26-22 баллов.

Оценка «4» ставится, если студент набрал 21-16 баллов.

Оценка «3» ставится, если студент набрал 15-12 баллов.

Оценка «2» — менее 11 баллов.

Ключ к работе:

Распознавание повседневной активности человека с помощью искусственной нейронной сети и умных часов

Распознавание человеческой активности с помощью носимых устройств активно исследуется в широком спектре приложений. Однако большинство из них либо сосредоточены на простых действиях, в которых задействовано движение всего тела, либо требуют различных датчиков для определения повседневной активности. В этом исследовании мы предлагаем систему распознавания человеческой активности, которая собирает данные с стандартных умных часов и использует искусственную нейронную сеть для классификации.Предлагаемая система дополнительно усовершенствована с использованием информации о местоположении. Мы рассматриваем 11 занятий, в том числе как простые, так и повседневные. Результаты экспериментов показывают, что различные виды деятельности можно классифицировать с точностью до 95%.

1. Введение

По мере развития технологии Интернета вещей (IoT) были разработаны различные устройства для умной жизни. Технология беспроводной сенсорной сети используется в промышленных системах и умных домах [1–3]. Было разработано несколько носимых устройств, которые могут собирать большой объем данных о физической активности с датчиков, прикрепленных к человеческому телу [4–7].

Распознавание человеческой активности (HAR) с помощью носимых устройств активно исследуется для широкого спектра приложений, включая здравоохранение, спортивные тренировки и обнаружение аномального поведения. Алгоритмы машинного обучения использовались для обнаружения различных видов деятельности человека, таких как ходьба, бег и сидение, с использованием смартфона в качестве сенсорного устройства [8]. Данные, касающиеся движений при выполнении упражнений, таких как разгибание трицепса стоя с гантелью и жим лежа широким хватом со штангой, были получены с использованием датчиков, носимых на предплечье [9].Другое исследование классифицировало повседневную деятельность, которая полезна для костей женщин в пременопаузе [10]. Предыдущее исследование также классифицировало позу и движение с помощью четырех датчиков акселерометра на грудины, запястьях, бедрах и голенях [11].

Большинство существующих исследований сосредоточено на простых действиях, таких как ходьба, бег и сидение, при которых требуется движение всего тела. Однако необходимо классифицировать повседневные действия, такие как приготовление пищи, прием пищи и работа, для реализации различных приложений.В предыдущем исследовании была выявлена ​​повседневная деятельность человека в умном доме с поддержкой Интернета вещей, оснащенном различными датчиками [12]. Деятельность характеризуется комбинацией данных зондирования, полученных от нескольких датчиков.

В этом исследовании мы предлагаем систему HAR, которая собирает данные с стандартных умных часов и использует искусственную нейронную сеть для классификации. Умные часы — это эффективные и легкодоступные носимые устройства для использования в системах HAR. Умные часы, которые носятся на запястье, могут предоставлять конфиденциальную информацию о деятельности человека, а также информацию о движениях всего тела.В этой работе мы рассматриваем 11 видов деятельности, таких как прогулки, приготовление еды и работа. Если мы точно прогнозируем активность пользователя, мы можем повысить энергоэффективность и удобство использования.

Кроме того, мы предлагаем усовершенствованную систему HAR, использующую информацию о местоположении в дополнение к информации о движении. Мы ожидаем, что это усовершенствование повысит эффективность классификации, поскольку определенные действия человека могут выполняться только в определенных местах. Например, если человек находится в общественном транспорте, приготовление пищи — это деятельность, которая может быть исключена как возможная интерпретация данных датчиков.

Остальная часть исследования организована следующим образом. В разделе 2 мы описываем мотивацию нашей работы. В разделе 3 мы объясняем обзор системы и предлагаем новую схему классификации для классификации различных видов деятельности человека в разделе 4. В разделе 5 мы оцениваем эффективность предложенной схемы классификации. Выводы приведены в Разделе 6.

2. Подход

Умные часы — одни из самых известных и наиболее широко используемых носимых устройств. По данным Strategy Analytics [13], глобальные поставки умных часов в первом квартале 2016 года составили 4 штуки.2 миллиона и заняли 62,4% доли рынка носимых устройств в 2016 году. Умные часы хорошо подходят для сбора данных, которые могут классифицировать действия пользователей в режиме реального времени, поскольку они используются многими людьми и постоянно носятся на теле. Умные часы, которые носятся на запястье, предоставляют более конфиденциальную информацию о поведении пользователя, чем смартфон в кармане. Поскольку вполне вероятно, что типичный пользователь носит умные часы на запястье доминирующей руки, он может ощущать движения этой руки.

Мы используем акселерометр в умных часах для классификации человеческой деятельности.В исследованиях HAR для классификации действий обычно используются гироскопы и акселерометры. Однако при использовании обоих датчиков и только акселерометра производительность незначительно улучшается [14]. Более того, акселерометр встроен в большинство носимых устройств и смартфонов. Таким образом, предлагаемая система использует данные ускорения.

Мы также предлагаем использование информации о местоположении. Определенная человеческая деятельность может осуществляться только в определенных местах. Например, офисная работа происходит в офисе, а готовка — на кухне.Используя информацию о местоположении в качестве функции, мы можем настроить более подробные классификаторы в соответствии с местоположением и, таким образом, улучшить производительность.

В этом исследовании мы рассматриваем три места и 11 видов деятельности, как показано в таблице 1. Во-первых, мы рассматриваем пять видов деятельности в офисе: офисная работа, чтение, письмо, отдых и компьютерные игры. Офисная работа включает написание электронной почты, кодирование и написание документа на компьютере. Во-вторых, мы рассматриваем три вида деятельности на кухне: прием пищи, приготовление пищи и мытье посуды.Наконец, мы рассматриваем три вида деятельности на свежем воздухе: ходьбу, бег и езду на транспорте. Транспорт включает в себя поездку на автобусе или поездку в метро.


Расположение Виды деятельности

Офис Работа в офисе, чтение, письмо, отдых, игра в компьютерные игры
Кухня Еда, приготовление пищи, мытье посуды
На открытом воздухе Ходьба, бег, использование транспорта

3.Обзор системы
3.1. Структура системы

Предлагаемая система включает умные часы, смартфон и сервер, как показано на рисунке 1. Пользователь носит умные часы на доминирующей руке, которые собирают данные с датчика ускорения. Смартфон собирает данные датчиков от умных часов через соединение Bluetooth, а затем передает данные на сервер. Сервер обрабатывает собранные данные и классифицирует действия с помощью алгоритмов машинного обучения.


Приложение для умных часов было разработано для сбора данных значений ускорения по осям x, y и z.Более того, пользователь выбирает метку действия из списка доступных действий в приложении перед запуском действия, как показано на рисунке 2. Это гарантирует, что данные зондирования классифицируются соответствующим образом, и эти метки используются для обучения классификаторов. Сбор данных управляется кнопкой запуска / остановки на интерфейсе приложения умных часов. Во время сбора данных данные датчиков умных часов собираются и отправляются на смартфон. Мы предполагаем, что пользователи не выполняют несколько действий одновременно.После сбора данных об ускорении и активности умные часы передают данные на смартфон по Bluetooth.


Смартфон обеспечивает мост для данных между умными часами и сервером. Сервер выполняет три роли: хранение данных, извлечение функций и классификация. Данные смарт-часов и телефона сохраняются на сервере. Эти данные используются для извлечения признаков для классификации. Сервер создает наборы данных для HAR на этапе извлечения признаков.Этот набор данных используется для обучения и тестирования классификатора.

Для оценки производительности предлагаемой системы мы использовали Apple Watch Series 2 и Apple iPhone 6. Сервер, работающий под управлением CentOS, оснащен процессором Intel Xeon E5-2630 v 2.2Ghz 2EA, 256 ГБ оперативной памяти и GTX1080Ti. GPU 4EA. Мы разработали предлагаемый классификатор на основе Tensorflow [15], которая представляет собой программную библиотеку с открытым исходным кодом для машинного обучения.

4. Система HAR

В этом разделе мы подробно объясняем предлагаемую систему HAR, как показано на Рисунке 3.Мы разработали две модели. На рисунке 3 (а) показана базовая модель, в которой используются только данные датчика ускорения. На рисунке 3 (b) показана модель, которая использует информацию о местоположении в дополнение к данным датчика ускорения. Использование информации о местоположении позволяет создавать более подходящие, конкретные и подробные классификаторы.


(а) без локационной модели
(б) с локационной моделью
(а) без локационной модели
(б) с локационной моделью
4.1. Временная сегментация

Данные об ускорении, измеренные в умных часах, перед извлечением делятся на временные сегменты [14].Метод скользящего окна широко используется и доказал свою эффективность для обработки потоковых данных [16, 17]. На рисунке 4 показаны две схемы с примером сегментирования сигнала акселерометра, где X, Y и Z представляют три компонента трехосного датчика ускорения. Весь временной интервал такой же, как Δt. Δt определяется как размер окна. относится к показаниям X, Y и Z в период времени [t, t + Δt]. В случае отсутствия перекрытия и происходят из разных периодов времени, как показано на рисунке 4 (а).Для ситуации перекрытия, и поделитесь частями показаний датчика. Мы используем метод перекрывающегося окна, потому что он обычно имеет лучшую плавность, чем метод неперекрывающегося окна при обработке непрерывных данных. Два соседних временных окна перекрываются на 50%.


(a) Окно без перекрытия
(b) Окно с перекрытием
(a) Окно без перекрытия
(b) Окно с перекрытием
4.2. Извлечение признаков

В этом разделе мы объясняем извлечение признаков.Эти функции очень важны в нашей модели машинного обучения, потому что их конфигурация изменяет вывод на основе шести типов сгруппированных потоковых данных.

Мы извлекаем информативные функции из каждого временного окна. Для каждого временного окна мы извлекаем один вектор признаков f следующим образом: где, и представляют вектор ускорения по осям X, Y и Z соответственно. Мы вычисляем среднее и стандартное отклонение каждой оси трехосного акселерометра как функции для алгоритма машинного обучения.Среднее значение является хорошим индикатором того, в какой степени каждое значение оси датчика ускорения измеряется для каждого действия. Стандартное отклонение — полезная мера для количественной оценки степени вариации или разброса набора данных о деятельности. Активную степень активности можно предсказать, используя стандартные отклонения.

4.3. Классификатор

Вектор признаков временного окна используется в качестве входных данных для классификатора. Мы рассматриваем две модели: одна использует только данные датчика ускорения, как показано на рисунке 3 (a), а другая также использует информацию о местоположении, как показано на рисунке 3 (b).Используя информацию о местоположении, можно применить более конкретный и подробный классификатор на основе местоположения. Известны способы получения информации о местоположении в помещении [18, 19] и на открытом воздухе [20, 21]. Однако в этом исследовании информация о местоположении не собирается из системы и выводится из типа деятельности. Например, если метка действия временного окна — приготовление пищи, информация о местоположении передается на кухню. Мы рассматриваем три локации: офис, кухню и природу. В реальной жизни информацию о местоположении можно получить с помощью GPS и внутренней системы позиционирования.

Классификатор разработан многослойным персептроном, который является классом искусственной нейронной сети прямого распространения (ИНС). Вес инициализируется с использованием алгоритма Ксавьера [22], а смещение инициализируется случайным образом. Мы используем ReLU в качестве функции активации. Xavier и ReLU — широко используемые алгоритмы для сокращения времени обучения в области ИНС. Среднее значение перекрестной энтропии используется для функции стоимости. Скорость обучения установлена ​​на 0,01, и используется оптимизатор Adam [23], поскольку известно, что он быстро достигает хороших результатов.

5. Оценка эффективности
5.1. Набор данных эксперимента

Таблица 2 представляет собой обзор набора данных, использованного в этом исследовании. Набор данных, размещенный на веб-сайте http://ncl.kookmin.ac.kr/HAR/, был получен от двух добровольцев, которые в течение четырех недель выполняли упражнения с помощью умных часов, прикрепленных к запястью их доминирующей руки. Акселерометр работал с частотой дискретизации 10 Гц. Задача заключалась в том, чтобы выделить следующие одиннадцать занятий. Набор данных был предварительно обработан и сегментирован с помощью скользящего окна, которое было переменным в одном эксперименте, длилось 10 секунд в других экспериментах и ​​имело 50-процентное перекрытие между двумя соседними сегментами.Мы извлекаем ряд функций, связанных с акселерометром. Во всех экспериментах мы использовали 5-кратный алгоритм проверки надежности.

5 Питание

Класс Деятельность Итого

A1 Офисная работа 62711
A2 Чтение 900 36976
A3 Запись 27677
A4 Отдых 31265
A5 Игра в игру 51906
A6
A7 Приготовление пищи 10563
A8 Мытье посуды 10712
A9 Ходьба 25768
A10 Бег 6452
A8 Принятие транспорта 2 8483

Всего 338671

5.2. Показатели эффективности

Для эффективной оценки производительности предложенной системы мы использовали следующие четыре показателя: точность, точность, отзывчивость и F1-балл. Таблица 3 и уравнения (2) — (5) показывают, как вычисляются точность, прецизионность, отзывчивость и оценка F1 соответственно. Эти четыре выражения являются наиболее часто используемыми показателями эффективности для моделей машинного обучения.

Прогнозируемое состояние

Истинное состояние
Общее население Состояние положительное Состояние отрицательное

Прогнозируемое положительное состояние Истинно-положительное
( TP )
Ложно-положительное
( FP )
Прогнозируемое отрицательное условие Ложно-отрицательное
( FN )
Истинное Отрицательный
( TN )

5.3. Влияние информации о местоположении

В ходе эксперимента тестируются и оцениваются две модели: одна использует набор данных с информацией о местоположении, а другая — набор данных без информации о местоположении. На рисунке 5 показана точность каждого действия двух моделей. Мы заметили, что модель, не использующая информацию о местоположении, менее точна, чем модель, которая ее использует. В среднем модель с информацией о местоположении показывает точность 95%, а модель без информации о местоположении — 90%.Предлагаемая модель классификации видов деятельности разработана в виде 5-уровневой ИНС. Размер окна установлен на 10 с. Мы использовали 5-кратный алгоритм проверки, чтобы повысить уверенность в результатах.


Ниже приводится более подробный анализ экспериментальных результатов двух моделей. Таблицы 4 и 5 показывают результаты двух моделей на матрице неточностей. Мы наблюдаем, что модель, использующая информацию о местоположении, ошибочно приписывала только действия, возможные в одном и том же месте, тогда как модель без неправильной атрибуции информации о местоположении может распространяться на другие действия в разных местах.Сначала мы оцениваем результат модели, которая не использует информацию о местоположении. В таблице 4 активность A11 идентифицирована с наименьшей точностью. Активность A11 особенно путают с A4 и A5. A7 и A8 перепутаны друг с другом. Более того, мы можем подтвердить, что A1 и A3 сильно путают с A2 и A4. В таблице 5 результат модели с использованием информации о местоположении показывает, что точность предсказания A11, которую путали с A4 и A5, улучшена. Однако, поскольку A7 и A8 имеют одинаковую информацию о местоположении, они все еще не понимают.Все остальные действия меньше путают с действиями в других местах, и точность показывает улучшение.

Кухня A2 0,00

Фактический класс Прогнозируемый класс
Офис Кухня На улице
На открытом воздухе
A3 A4 A5 A6 A7 A8 A9 A10 A11

A1 87.20 0,54 0,47 0,97 3,73 0,17 0,00 0,00 0,00 0,00 6,92
A2 1,71 93,39 0,40 900 0,00 2,91 1,48 0,00 0,00 0,00 0,00 0,11
A3 1,27 1,56 88.53 0,00 0,60 0,52 0,00 0,07 0,00 0,00 7,45
A4 2,84 0,00 0,07 95,82 0,00 0,00 0,00 0,00 0,00 0,00 1,27
A5 3,59 0,08 0,12 0,04 93.02 0,08 0,00 0,00 0,00 0,00 3,08
A6 1,47 0,43 0,24 0,09 0,19 96,55 0,05 0,00 0,00 0,00 0,99
A7 0,00 0,00 0,00 0,00 0,00 3,09 83.85 12,37 0,00 0,00 0,69
A8 0,00 0,00 0,00 0,00 0,00 0,78 6,23 88,91 0,19 3,89
A9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100.00 0,00 0,00
A10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 100,00 0,00
A11 13,70 2,26 6,63 2,19 6,49 2,19 0,07 0,73 0,00 0,00 65.74


Фактический класс Прогнозируемый класс
Кухня На улице
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11

A1 92.95 1,04 0,81 0,34 4,87
A2 1,37 95,04 1,20 0,00 2,39
A3 1,12 0,89 97,17 0.22 0,60
A4 5,15 0,00 0,00 94,85 0,00
A5 3,67 0,51 0,27 0,00 95,51
A6 99.81 0,00 0,19
A7 2,06 82,47 15,46
A8 0,58 7,00 92,41
A9 100.00 0,00 0,00
A10 0,00 100,00 0,00
A11 0,15 0,00 99,85

В ходе этого эксперимента мы подтвердили, что предлагаемая нами модель может классифицировать как повседневные, так и простые действия.Кроме того, подтверждено, что информация о местоположении очень полезна для классификации занятий. Мы классифицируем повседневную деятельность с точностью около 95%.

5.4. Влияние количества слоев

Ниже приводится анализ производительности в зависимости от количества слоев. На рисунке 6 показан график, показывающий производительность для каждой модели в зависимости от количества слоев. Производительность увеличивается по направлению к 5-уровневому слою и снова уменьшается, когда уровень слоя становится глубже, чем 5-уровневый слой.Этот шаблон не связан с данными о местоположении; похоже, это особенность ИНС. Слишком мелкие модели уровней не обучаются эффективно, а слишком большая глубина неэффективна, потому что количество уровней, необходимых для обучения, слишком велико.


(a) без модели результат как номер слоя
(b) без модели результат как номер слоя
(a) без модели результат как номер слоя
(b) с результатом модели в виде количества слоев

Модель с 5 уровнями лучше всего работает в обоих случаях, с информацией о местоположении и без нее, обеспечивая точность 96% и 91% соответственно.Когда модель использует информацию о местоположении, производительность моделей с 3, 4, 5, 6 и 7 уровнями выше примерно 95%, что является достаточно высоким показателем. Без информации о местоположении все модели с 4, 5 и 6 уровнями превышают примерно 90%.

5.5. Влияние размера окна

В этом эксперименте мы инициализировали размер окна на 1, 5, 10, 30, 60 (1 мин), 120 (2 мин), 180 (3 мин) и 240 (4 мин), и была исследована скорость предсказания каждого размера окна. На рисунке 7 показан график производительности в зависимости от размера окна модели на основе 5-уровневой модели, которая дала наилучшую производительность из предыдущих результатов.На рисунке 7 (a) показан результат, основанный на наборе данных без информации о местоположении, а на рисунке 7 (b) показан результат с использованием информации о местоположении. Размер окна — это единица, по которой модель прогнозирования основана на классифицирующей деятельности. Другими словами, для определения активности необходимы данные, соответствующие размеру окна. Меньший размер окна увеличивает скорость предсказания, но снижает точность предсказания; однако, хотя больший размер окна увеличит точность за счет скорости, существует предел: за пределами определенного размера окна точность может быть отрицательно затронута из-за наложения с другим поведением, что может исказить результаты.


(a) без характеристики модели как размер окна
(b) с производительностью модели как размер окна
(a) без производительности модели как размер окна
(b) с моделью производительность как размер окна

Здесь мы количественно определяем эффективные размеры окна. Когда размер окна меньше 3 с (1 с, 0,5 с), скорость предсказания очень высокая, но точность очень низкая. Когда размер окна превышает одну минуту (2, 3, 4 и 5 минут), скорость прогнозирования очень низкая, и точность больше не увеличивается.Поэтому мы оцениваем 10 с как оптимальный размер окна, который уравновешивает обратно пропорциональные параметры: прогнозируемую скорость и точность.

5.6. Сравнение с другими алгоритмами машинного обучения

Здесь мы сравниваем производительность наиболее часто используемых алгоритмов в контролируемом обучении: дерево решений (DT), случайный лес (RF) и машина опорных векторов (SVM). В этом эксперименте используется библиотека Scikit-learn, которая представляет собой бесплатную библиотеку машинного обучения для языка программирования Python [24].Каждая модель находит оптимальные параметры модели с помощью функции поиска по сетке. Классификационные модели разработаны с использованием найденных параметров модели для классификации повседневной деятельности с использованием одного и того же набора данных.

На рисунке 8 показан результат алгоритмов машинного обучения. На рис. 8 (а) показан результат, полученный с использованием набора данных без информации о местоположении. В этом исследовании лучшую производительность показывает RF, но ИНС незаметно отстает от RF. Разрыв обеих моделей составил менее 0,1%. Однако другие модели показали плохую производительность.Производительность как DT, так и SVM была менее 75%. Эти результаты не могут определить, хорошо ли работает классификационная модель.


(a) без модельного результата различных алгоритмов
(b) с модельным результатом различных алгоритмов
(a) без модельного результата различных алгоритмов
(b) с моделью результат различных алгоритмов

На рисунке 8 (b) показан результат, полученный с использованием набора данных с информацией о местоположении. В целом производительность всех моделей улучшилась, как показано на Рисунке 8 (а).Производительность DT и SVM по-прежнему ниже, чем у RF и ANN. Однако характеристики обеих моделей улучшились на 15%. Показатели РФ и ИНС также улучшились на 5%. При использовании информации о местоположении лучшей моделью является ИНС. Все показатели эффективности различаются более чем на 1%.

5.7. Оценка в реальном времени

На рисунке 9 показаны результаты оценки распознавания активности в реальном времени. Мы позволяем одному участнику выполнять семь действий подряд в течение 2 минут каждое, и мы прогнозируем активность испытуемого, используя прогностическую модель, ранее изученную с использованием общего набора данных.На рисунке 9 (a) показаны результаты использования модели прогнозирования, полученной без использования информации о местоположении, а на рисунке 9 (b) показан результат использования модели прогнозирования с использованием информации о местоположении.


(a) Результат без набора данных о местоположении
(b) Результат без набора данных о местоположении
(a) Результат без набора данных о местоположении
(b) Результат с набором данных местоположения

Обе модели были перепутаны с совершенно разными действиями в разделе транзакций.Это интерпретируется как результат того факта, что данные в соответствующем интервале могут содержать два или более шаблонов, когда человек выполняет действие как непрерывное действие. Очищенные разделы также четко классифицируются, поскольку они четко включают характеристики предыдущих или следующих действий. При сборе данных для этого эксперимента модель активности А2 испытуемого имела тенденцию быть очень похожей на модель активности А3 всего набора данных, который усвоила модель. Обе модели классификации путают активность A2 с активностью A3.Похоже, что в естественной активности А2 субъекта есть много сбивающих с толку черт активности А3.

Затем каждая модель разделяется и оценивается. На рисунке 9 (a) показаны результаты модели, которая не использует информацию о местоположении и сильно путается с действиями A3 и A2. В частности, активность A3 путают с деятельностью в других местах, таких как A6 и A11. Эта проблема не наблюдается, как показано на рисунке 9 (b), когда модель использует информацию о местоположении. На рис. 9 (а) коэффициент прогнозирования A2 составляет менее 50%, но в модели, использующей информацию о местоположении, он превышает 70%.Даже если имеется много непонятных данных, таких как A2, модель, использующая информацию о местоположении, имеет более высокую точность за счет использования более подробного классификатора.

Когда модель спроектирована с использованием эпохи, размера окна и уровня слоя, как определено в предыдущем эксперименте, можно подтвердить значительно высокую скорость прогноза в эксперименте, который распознает человеческую деятельность в реальном времени. Последовательную деятельность человека сложно определить в рамках одной деятельности. Поэтому проблему низкой точности в разделе транзакции решить сложно, потому что определение активности неточно.Напротив, проблему путаницы А2 с А3, по-видимому, необходимо преодолеть, уменьшив проблему переобучения и добавив новые функции или разработав модель, которая учитывает различные паттерны деятельности.

6. Заключение

В этом исследовании мы предложили систему HAR, использующую стандартные умные часы и ИНС. Мы также показали, что информация о местоположении может повысить производительность системы. Мы рассмотрели 11 видов деятельности, включая как простые, так и повседневные, и наши экспериментальные результаты показали, что различные виды деятельности можно классифицировать с точностью до 95%.

Энергоэффективность может быть улучшена с помощью предлагаемой системы, поскольку она может точно прогнозировать активность пользователя, потреблять только энергию, необходимую для деятельности, и уменьшать потери энергии. Более того, предлагаемая система может повысить удобство. Например, после того, как система предсказывает активность пользователя, она выключает свет, когда пользователь лежит в постели.

Доступность данных

Необработанные данные доступны по адресу «https://www.dropbox.com/s/x4n1za8zo3oe8eg/rawData.csv? dl = 0 ”или у соответствующего автора по запросу.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

Благодарности

Эта работа была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIP) (№ 2016R1A5A1012966).

Профиль человеческой деятельности | База данных RehabMeasures

Библиография

Американское торакальное общество.(2017). Качество жизни ресурсов: профиль человеческой деятельности. Получено с http://qol.thoracic.org/sections/instruments/fj/pages/adapt.html

А.С., Морейра, Б.С., Виейра, Р.А., Кирквуд, Р.Н., Диас, Дж. М. Д., и Диас, Р. К. (2014). Подтверждение анкеты профиля человеческой активности как показателя уровня физической активности у пожилых женщин, проживающих в общинах. Journal of Aging and Physical Activity, 22, 348-356. https://doi.org/10.1123/JAPA.2012-0283

Беннелл, К.Л., Хинман, Р. С., Кроссли, К. М., Меткалф, Б. Р., Бухбиндер, Р., Грин, С., и МакКолл, Г. (2004). Полезен ли профиль человеческой активности для людей с остеоартритом коленного сустава? Журнал исследований и разработок в области реабилитации, 41 (4), 621-630.

Билек, Л. Д., Венема, Д. М., Кэмп, К. Л., Лайден, Э. Р., и Меза, Дж. Л. (2005). Оценка профиля человеческой активности для людей с артритом. Arthritis & Rheumatism (Arthritis Care & Research), 53 (5), 756-763.https://doi.org/10.1002/art.21455

Билек Л. Д., Венема Д. М., Виллетт Г. М. и Лайден Э. Р. (2008). Использование профиля человеческой активности для оценки физической формы у людей с артритом. Arthritis & Rheumatism (Arthritis Care & Research), 59 (5), 659-664. https://doi.org/10.1002/art.23572

Доутон Д. М., Фикс А. Дж., Касс И., Белл К. В. и Патил К. Д. (1982). Максимальное потребление кислорода и шкала качества жизни ADAPT. Архив физической медицины и реабилитации, 63, 620-622.

Дэвидсон, М. и де Мортон, Н. (2007). Систематический обзор профиля человеческой деятельности. Клиническая реабилитация, 21, 151-162. https://doi.org/10.1177/026

06069475

Фаррелл, М. Дж., Гибсон, С. Дж., И Хельм, Р. Д. (1996). Измерение активности пожилых людей с хронической болью. Клинический журнал боли, 12, 6-12.

Фикс, А. Дж., И Доутон, Д. М. (1998). Профессиональное руководство по профилю человеческой деятельности. Psychological Assessment Resources, Inc.

Хинман, Р. С., Беннелл, К. Л., и Меткалф, Б. Р. (2002). Временная активность обширной косой мышцы бедра и латеральной широкой мышцы бедра при симптоматическом остеоартрите коленного сустава. Американский журнал реабилитации физической медицины, 81, 684-690. https://doi.org/10.1097/01.CCM.0000026919.24522.59

Крамер М., Хойсснер П., Херцберг П. Ю., Андре Х., Хильгендор И., Лейтхаузер М., Юнгханс К., Фройнд М. и Вольф Д. (2013). Валидация теста захвата и профиля активности человека для оценки физической работоспособности на промежуточной фазе после трансплантации аллогенных гемопоэтических стволовых клеток. Support Care Cancer, 21, 1121-1129. https://doi.org/10.1007/s00520-012-1634-1

Рибейора-Самора, Г. А., Перейра, Д. А. Г., Виейра, О. А., Номан де Аленкар, М. К., Родригес, Р. С., Карвалью, М. Л. В., Монтемеццо, Д., и Бритто, Р. Р. (2016). Использование профиля человеческой активности для оценки функциональной эффективности при сердечной недостаточности. Heart Failure, 36, 180-185. https://doi.org/10.1097/HCR.000000000000162

Соуза, Д. К., Вегнер, Ф., Коста, Л. К. М., Чиавегато, Л.Д., & Лунарди А. С. (2017). Свойства измерения анкеты профиля человеческой деятельности у госпитализированных пациентов. Brazilian Journal of Physical Therapy, 21 (3), 153-158. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5537466/

Устройство без активности человека и распознавание падений с использованием информации о состоянии канала WiFi (CSI)

  • Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado , GS, Дэвис, А., Дин, Дж., Девин, М., Гемават, С., Гудфеллоу, И., Харп, А., Ирвинг, Г., Айсард, М., Джиа, Ю., Йозефович, Р., Кайзер, Л., Кудлур, М., Левенберг, Дж., Мане, Д. , Монга, Р., Мур, С., Мюррей, Д., Олах, К., Шустер, М., Шленс, Дж., Штайнер, Б., Суцкевер, И., Талвар, К., Такер, П. , Ванхаук, В., Васудеван, В., Виегас, Ф., Виньялс, О., Уорден, П., Ваттенберг, М., Вик, М., Ю, Ю., Чжэн, X .: TensorFlow: Large- масштабное машинное обучение на гетерогенных системах (2015). https://www.tensorflow.org/

  • Адиб, Ф., Катаби, Д.: Видеть сквозь стены с Wi-Fi !. SIGCOMM Comput. Commun. Ред. 43 (4), 75–86 (2013). https://doi.org/10.1145/2534169.2486039

    Артикул Google ученый

  • Адиб, Ф., Кабелак, З., Катаби, Д., Миллер, Р.К .: Трехмерное отслеживание с помощью радиоотражений от тела. В: Материалы 11-й конференции USENIX по проектированию и внедрению сетевых систем, NSDI’14, стр. 317–329. Ассоциация USENIX, Беркли (2014). http://dl.acm.org/citation.cfm? id = 2616448.2616478

  • Аль-Канесс, М.А.А., Аль-Эриани, Й., Аль-Джаллад, Н .: Метод распознавания человеческой активности в помещении с использованием CSI беспроводных сигналов. В: Международный симпозиум по информатике и искусственному интеллекту (ISCSAI), т. 1, вып. 3. С. 49–51 (2017). https://intelcomp-design.com/Archives/ISCSAI%20ISSUE3/ISCSAI019.pdf

  • Аль-Канесс, М.А.А., Ли, Ф., Ма, X., Чжан, Ю., Лю, Г.: Система распознавания активности в помещении без использования устройств. Прил. Sci. 6 (11) (2016).https://doi.org/10.3390/app6110329. http://www.mdpi.com/2076-3417/6/11/329

  • Allcock, L.M., O’Shea, D .: Возможности диагностики и разработка отделения нейросердечно-сосудистых исследований для пожилых людей в районной больнице. J. Gerontol. Сер. A 55 (8), M458 – M462 (2000). https://doi.org/10.1093/gerona/55.8.M458

    Артикул Google ученый

  • Аверсенте, Ф., Кляйн, Д., Султани, С., Вронски, Д., Шефер, Дж .: Развертывание контекстных вычислений в условиях университетского городка. В: 11th International Network Conference 2016 (INC2016) (2016)

  • Bahl, P., Padmanabhan, V.N .: Radar: внутренняя радиочастотная система определения местоположения и отслеживания пользователей. В: Труды IEEE INFOCOM 2000. Конференция по компьютерным коммуникациям. Девятнадцатая ежегодная объединенная конференция обществ компьютеров и связи IEEE (Кат. № 00Ch47064), т. 2. С. 775–784 (2000). https://doi.org/10.1109/INFCOM.2000.832252

  • Бишоп, К.М .: Распознавание образов и машинное обучение (информатика и статистика). Шпрингер, Берлин (2006)

    Google ученый

  • Бреуниг, М., Кригель, Х.П., Нг, Р.Т., Сандер, Дж .: Lof: Определение локальных выбросов на основе плотности. В: Материалы Международной конференции ACM SIGMOD 2000 г. по управлению данными, стр. 93–104. ACM (2000)

  • Chen, C., Liao, C., Xie, X., Wang, Y., Zhao, J .: Trip2vec: метод глубокого встраивания для группирования и профилирования поездок на такси.Персональные и повсеместные вычисления 23 (1), 53–66 (2019). https://doi.org/10.1007/s00779-018-1175-9

    Артикул Google ученый

  • Cheng, Y., Chang, R.Y .: Подсчет людей в помещении без использования устройств с использованием информации о состоянии канала Wi-Fi для Интернета вещей. В: GLOBECOM 2017–2017 IEEE Global Communications Conference, pp. 1–6 (2017). https://doi.org/10.1109/GLOCOM.2017.8254522

  • Чоудхури, Т.Z .: Использование информации о состоянии канала Wi-Fi (CSI) для распознавания активности человека и обнаружения падений. Магистерская диссертация, Университет Британской Колумбии (2018)

  • Кортес, К., Вапник, В .: Сети опорных векторов. В: Машинное обучение, стр. 273–297 (1995)

  • Дамодаран, Н., Шефер, Дж .: Распознавание человеческой активности без использования устройств с использованием информации о состоянии канала Wi-Fi. В: 16-я Международная конференция IEEE по повсеместному интеллекту и вычислениям (UIC 2019), 5-й Всемирный конгресс IEEE Smart, Лестер, т.16. IEEE (2019)

  • Gutiérrez-Madroñal, L., La Blunda, L., Wagner, M.F., Medina-Bulo, I.: Генерация тестовых событий для системы IoT с обнаружением падений. IEEE Internet Things J. (2019)

  • Halperin, D., Hu, W., Sheth, A., Wetherall, D.: Выпуск инструмента: сбор трассировок 802.11n с информацией о состоянии канала. SIGCOMM Comput. Commun. Ред. 41 (1), 53–53 (2011). https://doi.org/10.1145/1

  • 1.1
  • 0

    Артикул Google ученый

  • Хан, К., Wu, K., Wang, Y., Ni, L.M .: Wifall: обнаружение падений без устройств с помощью беспроводных сетей. В: IEEE INFOCOM 2014 — Конференция IEEE по компьютерным коммуникациям, стр. 271–279 (2014). https://doi.org/10.1109/INFOCOM.2014.6847948

  • Хохрайтер, С., Шмидхубер, Дж .: Долгосрочная краткосрочная память. Neural Comput. 9 (8), 1735–1780 (1997). https://doi.org/10.1162/neco.1997.9.8.1735

    Артикул Google ученый

  • Карл П.: На линиях и плоскостях, наиболее приближенных к системам точек в пространстве. Лондон. Edinb. Dublin Philos. Mag. J. Sci. 2 (11), 559–572 (1901). https://doi.org/10.1080/14786440109462720

  • Котару, М., Джоши, К., Бхарадиа, Д., Катти, С .: Spotfi: локализация дециметрового уровня с использованием Wi-Fi. SIGCOMM Comput. Commun. Ред. 45 (4), 269–282 (2015). https://doi.org/10.1145/2829988.2787487

    Артикул Google ученый

  • Ла Блунда, Л., Вагнер, М .: Пояс для обнаружения падений на основе сетей тела. В: БИОТЕЛЕМЕТРИЯ 2016 21-й симпозиум Международного общества по биотелеметрии (ISOB 2016) (2016a)

  • Ла Блунда, Л., Вагнер, М .: Использование сетей локализации тела для обнаружения падений. В: Материалы одиннадцатой международной сетевой конференции (INC 2016), стр. 159 (2016b)

  • Ли, М., Чжан, З., Хуанг, К., Тан, Т .: Оценка количества людей в многолюдных сценах с помощью сегментации переднего плана на основе середины и определения головы-плеч.В: 19-я Международная конференция по распознаванию образов, 2008 г., стр. 1–4 (2008). https://doi.org/10.1109/ICPR.2008.4761705

  • Ли, К., Станкович, Дж. А., Хансон, М. А., Барт, А. Т., Лах, Дж., Чжоу, Г.: Точное и быстрое обнаружение падения с помощью гироскопов и информации о позе, полученной с помощью акселерометра. В: Сети датчиков тела 2009, стр. 138–143 (2009)

  • Ма, Дж., Ван, Х., Чжан, Д., Ван, Й., Ван, Й .: Обзор Wi-Fi на основе бесконтактного распознавания активности. В: Международные конференции IEEE 2016 года по повсеместному интеллекту и вычислениям, передовым и надежным вычислениям, масштабируемым вычислениям и коммуникациям, облачным вычислениям и вычислениям больших данных, Internet of People and Smart World Congress, стр.1086–1091 (2016)

  • Минакши Чаудхари, А.Д .: Краткое исследование различных семейств вейвлетов и методов сжатия. J. Glob. Res. Comput. Sci. 4 (4), 43–49 (2013)

    Google ученый

  • Оздемир А.Т., Баршан Б. Обнаружение падений с помощью носимых датчиков с использованием методов машинного обучения. Датчики (Базель) 14 , 10691–708 (2014)

    Артикул Google ученый

  • Pu, Q., Гупта, С., Голлакота, С., Патель, С .: Распознавание жестов в доме с использованием беспроводных сигналов. В: MobiCom 13 Материалы 19-й ежегодной международной конференции по мобильным вычислениям и сетям, стр. 27–38 (2013). https://dl.acm.org/citation.cfm?id=2500436

  • Rumelhart, D.E., Hinton, G.E., Williams, R.J .: Изучение представлений с помощью ошибок обратного распространения. Nature 323 (6088), 533–536 (1986). https://doi.org/10.1038/323533a0

    Артикул МАТЕМАТИКА Google ученый

  • Шефер, Дж.: Практические аспекты реализации алгоритмов машинного обучения для определения местоположения w-lan. В: Материалы 6-го Международного конгресса по ультрасовременным телекоммуникациям ICUMT 2014, Санкт-Петербург, стр. 410–417. IEEE Computer Society (2014)

  • Scheurer, S., Tedesco, S., Brown, K.N., O’Flynn, B.: Выбор датчиков и функций для системы распознавания действий служб экстренного реагирования. В: 2017 IEEE SENSORS, стр. 1–3 (2017). https://doi.org/10.1109/ICSENS.2017.8234090

  • Шульц, М.: Обучение вашей беспроводной карте новым приемам: Повышение производительности и безопасности смартфона с помощью модификаций прошивки Wi-Fi. Кандидат наук. Диссертация, Технический университет, Дармштадт (2018). http://tubiblio.ulb.tu-darmstadt.de/105239/

  • Стойка П., Моисей Р.: Спектральный анализ сигналов. Пирсон Прентис Холл (2005). https://books.google.de/books?id=h78ZAQAAIAAJ

  • Тан, Б., Чен, К., Четти, К., Вудбридж, К., Ли, В., Пехоцки, Р.: Использование информации о состоянии канала Wi-Fi для информатики здравоохранения в жилых помещениях.IEEE Commun. Mag. 56 (5), 130–137 (2018). https://doi.org/10.1109/MCOM.2018.1700064

    Артикул Google ученый

  • The MathWorks, I: Symbolic Math Toolbox, Natick (2019). https://www.mathworks.com/help/symbolic/

  • Цакалаки, Э., Шефер, Дж .: О применении метода подпространства корреляционных векторов для двумерной оценки угловой задержки в многолучевых каналах DM. В: 14-я Международная конференция по беспроводным и мобильным вычислениям, сетям и коммуникациям (WiMob), 2018 г., стр.1–8 (2018). https://doi.org/10.1109/WiMOB.2018.8589183

  • Wang, Y., Liu, J., Chen, Y., Gruteser, M., Yang, J., Liu, H .: E-eyes: определение активности с ориентацией на местоположение без использования устройств с использованием мелкозернистой подписи Wi-Fi. В: MobiCom ’14 Proceedings of 20-ая ежегодная международная конференция по мобильным вычислениям и сетям, стр. 617–628 (2014). https://dl.acm.org/citation.cfm?id=2639143

  • Ван, В., Лю, А.Х., Шахзад, М., Линг, К., Лу, С.: Понимание и моделирование распознавания человеческой активности на основе сигнала Wi-Fi.В: Материалы 21-й ежегодной международной конференции по мобильным вычислениям и сетям, MobiCom ’15, стр. 65–76. ACM, Нью-Йорк (2015a). https://doi.org/10.1145/2789168.27

  • Ван, Ю., Цзян, X., Цао, Р., Ван, X .: Надежное распознавание человеческой активности в помещении с использованием беспроводных сигналов. Датчики (Базель, Швейцария) 15 (7), 17195–17208 (2015b). https://doi.org/10.3390/s150717195. https://www.ncbi.nlm.nih.gov/pubmed/26184231

  • Ван Г., Zou, Y., Zhou, Z., Wu, K., Ni, L.M .: Мы слышим вас через Wi-Fi. В: IEEE Transactions on Mobile Computing, vol. 15, вып. 11 (2016a). https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7384744

  • Ван, X., Гао, Л., Мао, С., Пандей, С.: Снятие отпечатков пальцев на основе CSI для локализации в помещении: подход глубокого обучения. CoRR https://arxiv.org/abs/1603.07080 (2016b)

  • Wang, H., Zhang, D., Wang, Y., Ma, J., Wang, Y., Li, S .: Rt -fall: бесконтактная система обнаружения падения в реальном времени с помощью обычных устройств Wi-Fi.IEEE Trans. Моб. Comput. 16 (2), 511–526 (2017a). https://doi.org/10.1109/TMC.2016.2557795

    Артикул Google ученый

  • Wang, Y., Wu, K., Ni, L.M .: Wifall: обнаружение падения без помощи устройств с помощью беспроводных сетей. IEEE Trans. Моб. Comput. 16 (2), 581–594 (2017b). https://doi.org/10.1109/TMC.2016.2557792

    Артикул Google ученый

  • Ван З., Го, Б., Ю, З., Чжоу, X .: Распознавание поведения на основе Wi-Fi CSI: от сигналов, действий к действиям. CoRR https://arxiv.org/abs/1712.00146 (2017c)

  • Всемирная организация здравоохранения (ВОЗ): Информационные бюллетени: Falls. http://www.who.int/news-room/fact- sheet / detail / Falls. По состоянию на 06 октября 2019 г.

  • Си, В., Чжао, Дж., Ли, X., Чжао, К., Тан, С., Лю, X., Цзян, З .: Электронный лягушачий глаз: подсчет толпы с использованием вай фай. В: IEEE INFOCOM 2014 — Конференция IEEE по компьютерным коммуникациям, стр.361–369 (2014). https://doi.org/10.1109/INFOCOM.2014.6847958

  • Xie, Y., Li, Z., Li, M: точное профилирование задержки мощности с помощью стандартного Wi-Fi. В: Материалы 21-й ежегодной международной конференции по мобильным вычислениям и сетям, MobiCom ’15, стр. 53–64. ACM, Нью-Йорк (2015). https://doi.org/10.1145/2789168.27

  • Xin, T., Guo, B., Wang, Z., Wang, P., Lam, JCK, Li, V., Yu, Z .: Freesense: надежный подход к обнаружению человека в помещении с помощью Wi-Fi. fi сигналы.Proc. ACM Interact. Моб. Носимая повсеместная технология. 2 (3), 143: 1–143: 23 (2018). https://doi.org/10.1145/3264953

    Артикул Google ученый

  • Xu, W., Yu, Z., Wang, Z., Guo, B., Han, Q .: Acousticid: идентификация человека на основе походки с использованием акустического сигнала. Proc. ACM Interact. Моб. Носимая повсеместная технология. 3 (3), 115: 1–115: 25 (2019). https://doi.org/10.1145/3351273

    Артикул Google ученый

  • Яшар, Г.: Автоматическое обнаружение падения человека в помещении с использованием информации о состоянии канала сигналов Wi-Fi. Магистерская диссертация, Франкфуртский университет прикладных наук (2019)

  • Юсефи, С., Наруи, Х., Дайал, С., Эрмон, С., Валаи, С.: исследование распознавания поведения с использованием информации о состоянии канала Wi-Fi . IEEE Commun. Mag. 55 (10), 98–104 (2017). https://doi.org/10.1109/MCOM.2017.1700082

    Артикул Google ученый

  • Заявление на американском жестовом языке

    Abstract

    Распознавание человеческой деятельности — важная и трудная тема для изучения из-за значительной разницы между задачами, повторяемыми испытуемым несколько раз, и между испытуемыми.Эта работа мотивирована предоставлением классификации сигналов временных рядов и надежных подходов к проверке и тестированию. В этом исследовании предлагается классифицировать 60 знаков американского языка жестов на основе данных, предоставленных датчиком LeapMotion, с использованием различных традиционных моделей машинного обучения и глубокого обучения, включая модель DeepConvLSTM, которая объединяет сверточные и повторяющиеся слои с ячейками долгосрочной краткосрочной памяти. Предлагается кинематическая модель правого и левого предплечья / кисти / пальцев / большого пальца, а также использование простой техники увеличения данных для улучшения обобщения нейронных сетей.DeepConvLSTM и сверточная нейронная сеть продемонстрировали самую высокую точность по сравнению с другими моделями с 91,1 (3,8) и 89,3 (4,0)% соответственно по сравнению с рекуррентной нейронной сетью или многослойным персептроном. Интеграция сверточных слоев в модель глубокого обучения кажется подходящим решением для распознавания жестового языка с помощью данных датчиков глубины.

    Образец цитирования: Hernandez V, Suzuki T, Venture G (2020) Сверточная и рекуррентная нейронная сеть для распознавания человеческой активности: приложение на американском языке жестов.PLoS ONE 15 (2): e0228869. https://doi.org/10.1371/journal.pone.0228869

    Редактор: Цзе Чжан, Университет Ньюкасла, ВЕЛИКОБРИТАНИЯ

    Поступило: 1 июля 2019 г .; Одобрена: 24 января 2020 г .; Опубликовано: 19 февраля 2020 г.

    Авторские права: © 2020 Hernandez et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Наши данные доступны в Интернете по следующему адресу: http://dx.doi.org/10.17632/8yyp7gbg6z.1.

    Финансирование: Это исследование финансировалось Институтом глобальных инновационных исследований Токийского университета сельского хозяйства и технологий. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

    Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

    Введение

    Язык жестов — это язык, в котором в основном используются кинематика рук и мимика. Он широко используется людьми с нарушениями слуха для общения друг с другом, но редко с людьми, у которых нет нарушений слуха. Следовательно, они находятся в прямом контакте только с людьми с нарушениями слуха, что значительно ограничивает социальное взаимодействие. Альтернативой может быть перевод в режиме реального времени с переводчиками, но они не доступны постоянно и могут быть довольно дорогими.Поэтому система, которая могла бы включать автоматический перевод, была бы очень интересна.

    Распознавание человеческой деятельности (HAR) в целом является важной и сложной темой, к которой следует обратиться из-за большой вариативности, которая существует для данной задачи. Действительно, независимо от того, возникает ли изменчивость из-за того, что субъект повторяет действие несколько раз или, что более важно, между субъектами, кинематическое поведение с течением времени представляет собой определенную проблему для обобщения. HAR считает, что это поведение представлено определенными шаблонами, которые можно классифицировать с помощью алгоритмов машинного обучения.

    В настоящее время данные о перемещениях человека можно легко извлечь из недорогих систем, которые объединяют датчики карт глубины, такие как Kinect и LeapMotion. Эти системы готовы к использованию, требуют относительно короткого времени на настройку, и данные могут быть легко извлечены. Следовательно, их можно легко использовать для быстрого получения большого количества данных, что является обязательным требованием при рассмотрении машинного обучения. Другие подходы были рассмотрены с помощью sEMG [1], CyberGloves [2] или системы захвата движения, но эти методы трудно использовать за пределами лабораторий.

    Рассматривая такие системы, как Kinect® или комбинированный подход Kinect / LeapMotion®, было проведено несколько исследований с использованием видео или датчика карт глубины и подходов машинного обучения, таких как Hidden-Markov-Model (HMM) [3], связанная HMM [ 4], случайный лес на пиксель [5], мультиклассовая машина опорных векторов (SVM) [6], линейная двоичная SVM [7], сверточная нейронная сеть (ConvNet) [8,9] и подходы на основе видео DeepConvLSTM [10] и многие другие. Такие подходы интересны, но Kinect по-прежнему сложно использовать в общественных местах, поскольку для него требуется большое пространство и источник питания.

    LeapMotion легко определяет движения предплечья и ладони, а также положение пальцев и большого пальца с точностью измерения 200 мкм [11] для оценки положения сустава. Такая точность может быть полезна для создания точных моделей кинематики системы рука-рука. Кроме того, его можно использовать с одним USB-портом, он потребляет очень мало энергии и не требует большого пространства, что делает его удобным для приложений вне лаборатории. Кроме того, это доступная система, для настройки которой не требуется профессионал и не требуется калибровка, что делает ее практичной в использовании.Кроме того, разработка камер с датчиком глубины на смартфонах была бы интересным выбором в качестве основы для распознавания языка жестов и для разработки портативных систем, которые просты в использовании.

    Найду и Готкар [12] использовали LeapMotion для классификации подмножества индийского языка жестов (10 арабских чисел, 26 букв и 9 слов). Они предлагают четыре различных подхода (мера евклидова расстояния, сходство, сходство по Жаккару и игральные кости) с 8 расстояниями, вычисленными из 6 измеренных точек (центр ладони и все кончики пальцев).Косинусное сходство показало точность 90,00% для всего набора данных, но их подход ограничен статической позой. Марин и др. [6] изучали комбинированный подход LeapMotion / Kinect с мультиклассовой SVM для классификации 10 статических слов американского языка жестов (ASL) с ручным извлечением ключевых моментов. Они представили среднюю точность 80,86%, 89,71% и 91,28% с помощью подходов LeapMotion, Kinect и комбинированного Kinect / LeapMotion соответственно с независимой от пользователя перекрестной проверкой k раз (M-1 для каждого K) для настройка параметров.Затем классификатор был повторно обучен со всеми предметами (M) и вычислил для него точность, которая не дает надежной модели, которую можно использовать с новыми предметами. Kumar et al. [4] также рассмотрел комбинированный подход Kinect / LeapMotion на 25 динамических словах индийского языка жестов. Они рассмотрели подход со связанными HMM и достигли точности 90,8% на 25% от полного набора данных (50% использовались для обучения и 25% для настройки параметров и проверки параметров), однако они не предоставляют информацию, является ли пользователь рассматривался независимый тест.Чуан и др. [13] классифицировал 26 букв английского алфавита с помощью классификаторов k-NN и SVM. Результаты показали среднюю степень классификации 72,78% и 79,83% соответственно с использованием k -кратной перекрестной проверки (K = 4) для полного набора данных, состоящего из 2 субъектов. Fok et al. [14] предложили подход на основе HMM для распознавания 10 арабских чисел ASL с общим средним распознаванием 93,14% половины выборки каждого предмета для обучения и оставшихся данных для тестирования модели.

    Недавний прорыв в области глубокого обучения превзошел традиционный подход машинного обучения в задачах компьютерного зрения [15]. Глубокое обучение использует последовательность слоев для извлечения информации, причем выходные данные одного слоя являются входными данными следующего. Они обеспечивают надежный подход к обобщению межпредметной изменчивости и могут учитывать динамическое поведение временных рядов человеческих движений в основном с помощью ConvNet и рекуррентной нейронной сети (RNN). Что касается распознавания жестового языка, Коллер и др.[16] используют гибридный подход ConvNet-HMM, основанный на последовательности изображений, извлеченных из видео, и отслеживании доминирующей руки.

    Что касается глубокого обучения, современное состояние HAR представлено Ордоньесом и Роггеном [17], адаптированными из Sainath et al. [18] для распознавания речи. Они предложили модель, основанную на объединении сверточных и рекуррентных слоев с долгосрочной краткосрочной памятью (LSTM) под названием DeepConvLSTM с данными от датчиков инерциальных измерительных блоков (IMU). ConvNet и RNN используют подходы к обучению с учителем, которые могут изучить зависимости между заданными входами и выходами.DeepConvLSTM превзошел ConvNet и RNN, которые рассматривались независимо для распознавания речи [18], и считается самым современным для HAR [17,19]. Действительно, у обоих подходов есть свои преимущества: сверточные слои могут извлекать особенности из заданного сигнала и повторяющиеся слои, которые могут учитывать динамику сигнала временного ряда [20–22]. Комбинированный подход кажется лучшим подходом для выполнения HAR и многообещающим, поскольку он позволяет гибкое слияние данных и извлечение признаков [17], и этот подход будет использован в данном исследовании.

    Это исследование предлагает сравнение глубоких нейронных сетей для классификации 60 знаков ASL на основе полной кинематической модели правого и левого предплечья / кисти / пальцев / большого пальца. Кинематика кисти и предплечья основана на модели отслеживания скелета, предоставляемой датчиком LeapMotion. Целью этого исследования также является предложение надежной независимой от пользователя k -кратной перекрестной проверки и тестов в отличие от предыдущих исследований, которые были сосредоточены в первую очередь на внутрипользовательском тестировании своих моделей.Действительно, модели машинного обучения могут отражать поведение участников, но не новых. Также продемонстрировано, что внутрипользовательские тесты могут привести к завышению точности, которая не репрезентативна для результатов, которые могут быть получены на новых пользователях.

    Этот документ организован следующим образом. Мы представляем эксперимент, а также детали по извлечению и обработке данных перед их использованием в наших моделях. Затем мы представляем методы классификации жестов, обучающие свойства моделей и используемые гиперпараметры.Наконец, представлены и обсуждаются результаты сравнения различных моделей.

    Материалы и методы

    Эксперименты

    Эксперимент был одобрен местным комитетом по этике Токийского университета сельского хозяйства и технологий (TUAT) в Коганей, Япония. Все эксперименты проводились в 2018 году. Перед экспериментом участники дали информированное согласие на участие в исследовании.

    Был собран набор данных из 25 субъектов мужского пола, все новички на любом языке жестов.Перед каждым измерением их учили соответствующему знаку. В этом исследовании были рассмотрены арабские числа от 0 до 10 и 49 слов. Общее количество собранных знаков представлено в Таблице 1.

    Особенности извлечения

    LeapMotion SDK Основные ресурсы Unity 4.3.2 использовались с модулем C # / Unity для сбора данных во время экспериментального протокола. Всего в LeapMotion в реальном времени извлекается 26 очков на каждой руке. Характеристики, вычисленные по этим точкам, основаны на подходе моделирования с использованием нескольких пальцев, представленном Carpinella et al.[23] с небольшими изменениями и рекомендациями ISB по относительной ориентации кисти и предплечья [24].

    Кинематические модели

    Следующие системы координат рассматриваются для кисти (1) и предплечья (2) (рис. 1). (1) имеет направление (M 2 -M 5 ), направленное наружу, перпендикулярно форме в плане (M 2 -RS) и (P 5 -RS), направленный вперед, и является перекрестным произведением, направленным вверх.(2) имеет направление (EL-US), направленное вверх, является перекрестным произведением и (RS-US), направленным вперед, и является перекрестным произведением и направленным вовне. Затем углы Эйлера, которые описывают взаимную ориентацию кисти и предплечья (сгибание / разгибание и радиальное / локтевое отклонение), вычисляются с помощью последовательности вращения ZXY (направление векторов выражается из стандартного анатомического положения).

    Рис. 1. Суставы рук.

    Большой палец, указательный палец, середина, кольцо и мизинец пронумерованы от 1 до 5 соответственно.EF i ( i = 1–5): положение концевого зажима для пальцев и большого пальца, M i ( i = 1–5): пястно-фаланговый сустав большого пальца и большого пальца, P i ( i = 1–5): проксимальные межфаланговые суставы большого пальца и пальца, D i ( i = 2–5): дистальные межфаланговые суставы пальцев. EL: локтевой сустав (здесь не представлен), WR: лучезапястный сустав, RS: лучевой шиловидный сустав, US: локтевой шиловидный сустав, PALM: центр ладони.

    https://doi.org/10.1371/journal.pone.0228869.g001

    Для большого пальца и пальцев учитывается следующая кинематика (большой палец: i = 1, указательный: i = 2, средний: i = 3, кольцо: i = 4 и мизинец: i = 5) с EF i ( i = 1–5), который представляет собой концевой эффектор пальца и большого пальца, M i ( i = 1–5) пястно-фаланговый сустав большого пальца и большого пальца, P i ( i = 1–5): проксимальный межфаланговый сустав пальца и большого пальца и D i ( i = 2–5) палец дистальных межфаланговых суставов.Затем относительная ориентация каждого пальца с рукой представлена ​​углом сгибания α i (угол между и M i — P i , проецируемым в плане XY ) и углом отведения φ . i (угол между и M i — P i в проекции на плоскость YZ ). Кроме того, относительная ориентация большого пальца руки представлена ​​углом сгибания α 1 (угол между и M i — D i в проекции в плане YZ ) и углом отведения φ . 1 (угол между и M i — D i в проекции в плоскости XY ).Кроме того, угол β i между P i — D i и P i — M i и угол ϴ i между EF i — D i и P i — D i для пальца i th ( i = 2–5) и угол ϴ 1 между EF 1 — D 1 и M 1 — D 1 для большого пальца также вычисляются.Наконец, d j ( j = 1–9) представляют собой евклидово расстояние между каждым последующим EF (EF 1 с EF 2 , EF 2 с EF 3 …) и между EF i ( i = 1–5) и Palm.

    Набор данных

    Каждый знак извлекается вручную и интерполируется до 100 кадров с интерполяцией кубическим сплайном. Набор данных состоит из d = 16890 помеченных знаков. f = 60 объектов вычисляются для представления кинематики правой и левой сторон (рис. 1). Для каждого извлеченного знака признаки были перегруппированы в матрицу временных рядов F l ( м, = 100 и n = 60), где каждая группа была задана следующим образом: (1) конец пальца и большой палец -эффектор (EF) относительное расстояние, (2) их расстояние с ладонью, (3) относительная ориентация руки с предплечьем, (4) относительная ориентация пальцев и большого пальца руки и (5) большой палец и углы пальцев.(1) Все матрицы признаков были рассчитаны для всех знаков ( l ) и испытуемых ( k ). Наконец, каждая характеристика f i , j была стандартизирована со средним μ и стандартным σ отклонением их соответствующей группы, представленной выше следующим образом: (2) Затем каждый объект в наборе данных представлен в виде N чисел знака и y l соответствующих выходных меток F l , представленных в виде двоичного вектора.

    Дополнение данных

    Чтобы предотвратить переоснащение модели и помочь обобщить классификацию, было рассмотрено увеличение данных. Данный сигнал f i разделен на 10 частей равной длины. Затем было рассмотрено искажение данных по величине и временному положению сигнала со следующими свойствами. Сначала каждая часть была искажена до случайного значения p с интерполяцией кубическим сплайном, и все части были реконструированы и интерполированы до 100 кадров.Затем амплитуда сигнала немного изменилась. Была сформирована синусоидальная волна со случайным периодом P , фазой φ и амплитудой A . Наконец, эта синусоидальная волна была умножена на A и на диапазон амплитуд текущего сигнала f i и добавлена ​​к нему, что позволило плавное изменение. Эта процедура повторяется 40 раз для каждого F l в обучающем наборе (описанном в следующем разделе).

    Классификация жестов

    Обучение, проверка и тестирование

    В этом исследовании рассматривается подход, не зависящий от пользователя, т.е. данные от одного и того же участника появляются либо в наборе для обучения, проверки или тестирования. Для этого рассматривается вложенная k -кратная перекрестная проверка с независимым от пользователя подходом. Он состоит из внутреннего и внешнего цикла. В каждом цикле модель всегда обучается из случайной начальной точки, чтобы каждый внутренний и внешний цикл оставались независимыми друг от друга.Более того, первый внешний цикл учитывается для настройки гиперпараметров (например, количества слоев, размера единицы ячеек, скорости обучения, шагов, размера патча…).

    Внутренний цикл состоит из разделения участников на два набора: 20 субъектов назначаются для набора для обучения / проверки и 5 для набора для тестирования. Набор для испытаний был оставлен в стороне, чтобы оценить окончательные характеристики моделей. Набор для обучения / проверки используется в неисчерпывающей независимой от пользователя перекрестной проверке k -Fold, которая состояла из вращающихся K = 4 крат с 15 и 5 объектами для обучения и проверки соответственно.Чтобы уменьшить переобучение нейронной сети, ранняя остановка применяется в каждые k раз, когда точность проверочного набора начинает снижаться (переобучение модели на обучающем наборе).

    Внешний цикл следует той же процедуре, что и внутренний цикл, за исключением того, что тестовый набор изменяется (а также обучающий / проверочный) с пользователем, который все еще появлялся один раз в обучающем / проверочном или тестовом наборе. Этот цикл выполняется до тех пор, пока не будут протестированы все участники.

    Тренировочная недвижимость

    Модели были обучены с помощью мини-пакетов, состоящих из 500 образцов и скорости обучения η = 0.001 с экспоненциальным убыванием 0,9 каждые 5 эпох. В качестве формы регуляризации на каждом уровне добавляется обертка исключения для случайного выбора единиц, которые игнорируются в каждую эпоху со значением вероятности 0,8. Алгоритм оптимизации градиентного спуска Адама [25] использовался для минимизации функции стоимости E , которая соответствует перекрестной энтропии softmax между оцененным вектором (логиты) ( y ‘) и вектором истинных меток ( y ). : (3) Для каждой k -кратной перекрестной проверки фаза обучения была остановлена, когда точность набора проверки начала снижаться, и соответствующая модель была сохранена.

    После k -кратной перекрестной проверки в каждом внешнем цикле создаются 4 обученные модели. Набор тестов подается в каждую модель ( k = 4), и окончательный прогнозируемый класс учитывается большинством голосов.

    Модели

    В этом исследовании рассматриваются различные традиционные модели машинного обучения и глубокого обучения. Что касается традиционных моделей машинного обучения, k-ближайшие соседи ( k -NN) [26], случайный лес (RF) [27] и машина опорных векторов (SVM) [28] используются в качестве базового сравнения.Сохраненные гиперпараметры следующие: k -NN используется с k = 10, RF используется с классификатором 1000 деревьев с глубиной 5, а SVM используется с линейным ядром. Рассмотрены модели глубокого обучения: Multi-Layer Perceptron (MLP), ConvNet, RNN с ячейкой LSTM от Zaremba et al. [29] и DeepConvLSTM (рис. 2). Подробная информация об их гиперпараметрах представлена ​​в Таблице 2.

    Рис. 2. Архитектура DeepConvLSTM.

    Архитектура ConvNet-LSTM. N1, N2, N3 и N4 представляют количество каналов (также называемых картой характеристик), созданных после каждого сверточного слоя.Их значения равны соответственно 16, 16, 32 и 64. ReLU (выпрямленный линейный блок) представляет функцию активации.

    https://doi.org/10.1371/journal.pone.0228869.g002

    Tensorflow 1.4 [30] с Python 3.5.2 был использован, а обучение проводилось на GTX 1060 6GB, который объединяет 1280 ядер CUDA [31].

    В частности, DeepConvLSTM, выходные данные последних сверточных слоев передаются в 2 слоя LSTM, состоящие из ячейки LSTM из Zaremba et al. [29].Более того, по мере того, как временной ряд подается на уровни LSTM, скрытое состояние LSTM содержит все больше и больше информации о текущей последовательности. Следовательно, последний временной шаг уровня LSTM связан с уровнем softmax для получения вероятностей классов. Наконец, последний выход последних повторяющихся слоев соединяется со слоем с функцией активации softmax для нормализации выхода к распределению вероятностей.

    Результаты

    Результаты всех рассмотренных различных моделей с добавлением данных и без него представлены в таблице 3.Для сравнения результатов различных подходов был проведен односторонний дисперсионный анализ (ANOVA) с повторными измерениями. Затем был использован апостериорный тест Даннета для сравнения DeepConvLSTM с дополнением данных со всеми другими моделями. Уровень значимости был установлен на α = 0,05, и использовалась программа Statistica (Statsoft, Tulsa, OK, USA). ANOVA на моделях показал значительный основной эффект (F (10, 264) = 42,454, p <0,05), а тест Даннета показал более высокое значение точности для DeepConvLSTM с увеличением данных по сравнению со всеми другими моделями (p <0.05 для каждого сравнения), кроме ConvNet с увеличением данных (p> 0,05).

    Таблица 3. Точность (среднее (SD)) набора для проверки и тестирования для различных рассматриваемых моделей (+ DA: включить увеличение данных).

    Результаты включают все внутренние и внешние циклы вложенной k -кратной перекрестной проверки (* p <0,05).

    https://doi.org/10.1371/journal.pone.0228869.t003

    Нормализованная матрица путаницы и диаграмма Санки, созданная с помощью SankeyMATIC (http: // sankeymatic.com /) представлены в дополнительных материалах S1 и S2 Рис. в дополнительных материалах соответственно.

    Кроме того, также был рассмотрен метод удержания с теми же гиперпараметрами DeepConvLSTM без увеличения данных. Он просто состоит в разделении всего набора данных на две части, выбранные случайным образом (80% обучение и 20% тестирование) стратифицированным способом (одинаковый процент меток в каждом наборе). Метод удержания был повторен 10 раз, и результаты показали среднюю точность 0.997 (0,001) с тестовым набором.

    Обсуждение

    Целью этого исследования было классифицировать 60 признаков ASL с использованием глубоких нейронных сетей с кинематическими моделями предплечья, кисти и пальцев на основе данных о положении суставов, предоставленных LeapMotion. Исходные данные LeapMotion для 25 субъектов бесплатно предоставляются вместе с этим исследованием (https://doi.org/10.17632/8yyp7gbg6z.1). Кроме того, для создания модели использовалась надежная независимая от пользователя перекрестная проверка в k раз. Этот шаг состоял из четырех циклов ( k = 4) с 15 предметами для обучения и 5 предметами для проверки без дублирования.За этим последовала фаза независимого от пользователя тестирования с 5 испытуемыми, использовавшимися для применения модели в «реальном случае» для представления результатов классификации. Более того, DeepConvLSTM сравнивался с рекуррентной нейронной сетью, состоящей из ячейки LSTM из Zaremba et al. [29], чтобы продемонстрировать улучшение комбинированного подхода.

    Результаты показали, что DeepConvLSTM с расширением данных показал самые высокие результаты с точностью 91,1 (3,8)% на тестовых наборах. Эффект увеличения данных на этой модели показал значительное улучшение примерно на 3.8% (таблица 2) демонстрируют важность использования техники увеличения данных, чтобы помочь классификатору обобщить поведение человека [32]. ConvNet с увеличением данных показал незначительные отличия результатов от DeepConvLSTM с точностью 89,3 (4,0)%, а RNN представил более низкую точность 87,2 (5,1)% (Таблица 2). В отличие от исследования Ордоньеса и Роггена [17], DeepConvLSTM не превзошел ConvNet, но превзошел RNN, демонстрируя важность использования сверточных слоев для HAR.MLP, k-NN, SVM и RF показали худшие результаты по сравнению с моделями, состоящими из сверточных или повторяющихся слоев. Текущие подходы рассматривают использование размера ядра в сверточных слоях вдоль оси времени (например, 20 x 1 на первом сверточном слое). Использование большего ядра или изменение размера входного тензора на 100 x 1 x 60 для получения первой свертки для захвата всех взаимодействий векторов также было протестировано, но не было столь успешным. Сверточному слою может быть сложно одновременно захватить 60 измерений вдоль оси объекта.Сверточные слои используются для удаления отклоняющихся значений, извлечения признаков и фильтрации входных данных независимо по оси времени, что делает классификацию более эффективной в классифицирующей части моделей. Модели RNN с ячейками LSTM достигают высокой точности (87,2 (5,1)% с увеличением данных), которая улучшается за счет сверточного слоя в моделях DeepConvLSTM. Тем не менее, использование одномерного ядра для каждой функции независимо по оси времени в этом исследовании дало наилучшие результаты. Как также указали Ордоньес и Рогген [17], использование max-pooling на каждом сверточном уровне дает худшие результаты.Причем время испытания составило около 15,3 (0,6) с и 8,8 (0,3) с. для 5 испытуемых во всем внешнем цикле для DeepConvLSTM и ConvNet, соответственно, обеспечивая преимущество использования ConvNet для портативных систем.

    Что касается метода удержания (используется только для демонстрационных целей), точность проверочного набора составила 99,7 (0,1)%. Этот результат показал, насколько легко получить очень высокую точность. Этого метода следует избегать, поскольку модели уже изучили все поведение субъектов, и результаты останутся специфичными для этих субъектов и не будут репрезентативными для новых пользователей.Более того, другие гиперпараметры DeepConvLSTM, которые обеспечивали более низкую точность при независимом от пользователя подходе, также обеспечивали точность около 99% с методом удержания , демонстрирующим риск создания моделей с неадаптированными гиперпараметрами. По-прежнему трудно сравнивать наши результаты с результатами ранее опубликованных исследований, поскольку в них использовались разные методы проверки и / или тестирования, но мы считаем, что рассмотрение независимого от пользователя подхода с вложенной перекрестной проверкой k раз является подходящим способом доказательства. надежность модели.

    Диаграмма Сэнки (S2 рис.) Показывает для каждой истинной метки y неправильные логиты y ’, которые были идентифицированы в удобной для чтения манере. Для лучшего чтения неправильные логиты, помеченные неправильно 1 и 2 раза для каждой метки, и предмет независимо были удалены из диаграммы Санки. Некоторые движения языка жестов были сбиты с толку из-за схожести между ними или из-за сложности LeapMotion правильно определить все положения суставов. Например, Два было перепутано с Три , Семь с высотой и Четыре с Пять .Действительно, датчику LeapMotion иногда было трудно различить количество вытянутых пальцев. Движение, такое как dog (предплечье в супинации с вытянутым указательным пальцем и щелчком большого пальца средним пальцем), трудно записать с помощью LeapMotion, поскольку большой и средний пальцы скрыты ладонью и могут быть перепутаны с одним (указательный палец вытянут) и кисть (указательный палец вытянут, двигаясь вперед во рту). Спасибо состоит только из движений предплечий с плоской рукой и пальцами близко друг к другу, в то время как теплый состоит из того же движения с выполнением пальцев и отведением во время движения.Модель может получать слишком ограниченную информацию для точного различения обоих признаков. Та же проблема наблюдается с автомобилем , пальто и холодным , поскольку они представляют собой движения, требующие движения предплечий со сжатыми кулаками, что также может предоставить слишком ограниченную информацию, учитывая используемую здесь модель, чтобы правильно дифференцировать ее. Наконец, папа был перепутан с мама , поскольку они требовали того же движения руки, за исключением того, что положение перед головой отличается от положения большого пальца на подбородке и на лбу соответственно.Несмотря на это, Dad был перепутан с Mom на 23% в тестовом наборе, демонстрирующем способность DeepConvLSTM различать небольшую разницу в глобальной динамике движения. Улучшение отслеживания руки с помощью датчика глубины может решить эти проблемы и поможет достичь более высокой точности в будущем.

    Основным ограничением этого исследования является то, что набранные участники были новичками в языке жестов. Новички могут иметь большую вариативность при выполнении движений, и будущую работу следует обсудить с экспертами, чтобы оценить, будет ли улучшение классификации.Кроме того, использовалась статическая нейронная сеть, и в будущем необходимо будет рассмотреть вопрос о динамической нейронной сети, которая позволяет адаптировать длину входной последовательности в сочетании с методом автоматического обнаружения сигнала [33]. Тем не менее, статическая нейронная сеть все еще может рассматриваться с помощью метода автоматической сегментации, а затем интерполировать сигнал. Наконец, в будущих исследованиях следует рассмотреть другую модель, которая будет использоваться на выходе DeepConvLSTM с целью предсказания наиболее вероятного слова на основе предыдущих слов / предложений, чтобы помочь классификации из заданного контекста.Наконец, распознавание языка жестов можно улучшить с помощью данных, предоставляемых камерой или датчиками IMU, чтобы получить информацию о положении руки относительно тела.

    Заключение

    В этом исследовании сравнивались различные традиционные модели машинного обучения и глубокого обучения для классификации американского языка жестов. Кроме того, была предоставлена ​​надежная независимая от пользователя k -кратная перекрестная проверка и фаза тестирования. Это контрастирует с предыдущей работой, где этап проверки и / или тестирования не был независимым от пользователя, или отсутствовала информация.Есть несколько возможностей для будущей работы по улучшению этих результатов, таких как использование экспертов по языку жестов, динамической нейронной сети, техники автоматической сегментации и дополнительных данных с камеры или датчиков IMU.

    Список литературы

    1. 1. Савур С., Сахин Ф. Американская система распознавания языка жестов с использованием сигнала поверхностной ЭМГ; 2016 9–12 октября 2016 г. С. 002872–002877.
    2. 2. Sarawate N, Leu MC, ÖZ C (2015) Система распознавания слов на американском жестовом языке в реальном времени, основанная на нейронных сетях и вероятностной модели.Турецкий журнал электротехники и компьютерных наук 23: 2017–2123.
    3. 3. Zafrulla Z, Brashear H, Starner T, Hamilton H, Presti P. Распознавание американского языка жестов с помощью kinect; 2011. ACM. С. 279–286.
    4. 4. Кумар П., Гауба Х., Рой П.П., Догра Д.П. (2017) Объединение данных с несколькими датчиками на основе HMM для распознавания языка жестов. Письма для распознавания образов 86: 1–8.
    5. 5. Dong C, Leu MC, Yin Z. Распознавание алфавита американского языка жестов с помощью microsoft kinect; 2015 г.С. 44–52.
    6. 6. Marin G, Dominio F, Zanuttigh P. Распознавание жестов рук с помощью устройств прыжкового движения и кинект; 2014 27–30 октября 2014. С. 1565–1569.
    7. 7. Weerasekera C, Jaward MH, Kamrani N. Надежное распознавание дактилоскопии с использованием локальных двоичных шаблонов и геометрических элементов; 2013. IEEE. С. 1–8.
    8. 8. Рави С., Суман М., Кишор ПВВ, Кумар Е.К., Кумар МТК и др. (2019) Мультимодальные пространственно-временные совместно обученные CNN с одномодальным тестированием на распознавание жестов на основе языка жестов RGB – D.Журнал компьютерных языков 52: 88–102.
    9. 9. Шин Х, Ким У.Дж., Чан Кей. Распознавание корейского языка жестов на основе изображений и свёрточной нейронной сети; 2019. ACM. С. 52–55.
    10. 10. Ян С., Чжу К. Непрерывное распознавание китайского языка жестов с CNN-LSTM; 2017. SPIE. С. 7.
    11. 11. Вейхерт Ф., Бахманн Д., Рудак Б., Фисселер Д. (2013) Анализ точности и устойчивости контроллера прыжкового движения. Сенсоры 13: 6380–6393. pmid: 23673678
    12. 12.Найду К., Гхоткар А. (2016) Распознавание жестов рук с использованием контроллера Leap Motion Controller. Международный научно-исследовательский журнал (IJSR) ISSN (Online): 2319–7064.
    13. 13. Чуан С.Х., Регина Э., Гардино С. Распознавание американского языка жестов с использованием датчика движения прыжка; 2014. IEEE. С. 541–544.
    14. 14. Fok K-Y, Ganganath N, Cheng C-T, Chi KT. Система распознавания высоты над уровнем моря в реальном времени с использованием датчиков движения прыжка; 2015. IEEE. С. 411–414.
    15. 15. Ли Х., Гроссе Р., Ранганатх Р., Нью-Йорк.Сверточные сети глубоких убеждений для масштабируемого неконтролируемого обучения иерархических представлений; 2009. ACM. С. 609–616.
    16. 16. Коллер О., Заргаран О., Ней Х., Боуден Р. Глубокий знак: гибридный CNN-HMM для непрерывного распознавания языка жестов; 2016.
    17. 17. Ordóñez FJ, Roggen D (2016) Глубокие сверточные и рекуррентные нейронные сети lstm для мультимодального распознавания носимой активности. Датчики 16: 115.
    18. 18. Саинат Т.Н., Виньялс О., Старший А., Сак Х.Сверточная, долговременная кратковременная память, полносвязные глубокие нейронные сети; 2015. IEEE. С. 4580–4584.
    19. 19. Циммерманн Т., Таец Б. (2018) Назначение IMU-сегментов и выравнивание ориентации для нижней части тела с использованием глубокого обучения. 18.
    20. 20. Герс Ф.А., Шмидхубер Дж., Камминс Ф. (2000) Учимся забывать: постоянное предсказание с помощью LSTM. Neural Comput 12: 2451–2471. pmid: 11032042
    21. 21. Hochreiter S, Schmidhuber J (1997) Долгосрочная краткосрочная память.Neural Comput 9: 1735–1780. pmid: 9377276
    22. 22. Lipton ZC, Berkowitz J, Elkan C (2015) Критический обзор рекуррентных нейронных сетей для последовательного обучения. Препринт arXiv arXiv: 150600019.
    23. 23. Carpinella I, Jonsdottir J, Ferrarin M (2011) Координация нескольких пальцев у здоровых субъектов и пациентов с инсультом: подход математического моделирования. Журнал нейроинженерии и реабилитации 8:19 pmid: 21507238
    24. 24. Wu G, van der Helm FCT, Veeger HEJ, Makhsous M, Van Roy P и др.(2005) Рекомендация ISB по определениям систем координат различных суставов для сообщения о движении суставов человека — Часть II: плечо, локоть, запястье и кисть. J Biomech 38: 981–992. pmid: 15844264
    25. 25. Kingma D, Ba J (2014) Адам: метод стохастической оптимизации. Препринт arXiv arXiv: 14126980.
    26. 26. Альтман Н.С. (1992) Введение в непараметрическую регрессию ядра и ближайшего соседа. Американский статистик 46: 175–185.
    27. 27.Ho TK. Леса случайных решений; 1995. IEEE. С. 278–282.
    28. 28. Cortes C, Vapnik V (1995) Сети опорных векторов. Машинное обучение 20: 273–297.
    29. 29. Заремба В., Суцкевер И., Виньялс О. (2014) Регуляризация рекуррентной нейронной сети. Препринт arXiv arXiv: 140
    30. .
    31. 30. Mart, # 237, Abadin, Barham P, Chen J, et al. (2016) TensorFlow: система для крупномасштабного машинного обучения. Материалы 12-й конференции USENIX по проектированию и внедрению операционных систем.Саванна, Джорджия, США: Ассоциация USENIX. С. 265–283.
    32. 31. Николлс Дж., Бак I, Гарланд М., Скадрон К. (2008) Масштабируемое параллельное программирование с помощью CUDA. Очередь 6: 40–53.
    33. 32. Um TT, Pfister FMJ, Pichler D, Endo S, Lang M, et al. (2017) Расширение данных носимых датчиков для мониторинга болезни Паркинсона с использованием сверточных нейронных сетей. Материалы 19-й Международной конференции ACM по мультимодальному взаимодействию. Глазго, Великобритания: ACM. стр.216–220.
    34. 33. Редмон Дж., Диввала С., Гиршик Р., Фархади А. Вы только посмотрите один раз: Единое обнаружение объектов в реальном времени; 2016. С. 779–788.

    Обследование посредством тестирования перед приемом на работу

    Объем — В этой статье обсуждаются основы тестирования перед приемом на работу, типы инструментов выбора и методы тестирования, определение того, какое тестирование необходимо, источник обзоров коммерчески доступных тестов, а также внедрение и мониторинг тестов перед приемом на работу HR. практикующих специалистов, чтобы они были надежными, действительными, законными и эффективными. Этот инструментарий не касается тестирования на наркотики.

    Обзор

    Организация, которая принимает правильные решения о найме, как правило, имеет более высокую производительность и меньшую текучесть кадров, что положительно влияет на чистую прибыль. Наем не тех людей может негативно повлиять на моральный дух сотрудников и время руководства и может привести к потере ценных долларов на обучение и развитие. Тестирование перед приемом на работу, а также новые инструменты и технологии скрининга могут помочь специалистам по персоналу минимизировать время приема на работу и выбрать наиболее квалифицированного специалиста, который лучше всего подходит для организации.

    Тесты перед приемом на работу необходимо тщательно отбирать и контролировать; работодатели подвергаются риску судебного разбирательства, если решение об отборе будет оспорено и признано дискриминационным или нарушающим государственные или федеральные постановления. Тесты, используемые в процессе отбора, должны быть законными, надежными, действительными и справедливыми, а специалисты по персоналу должны быть в курсе любых развивающихся тенденций.

    См. :

    Узнай перед приемом на работу: Тенденции отбора в 2018 г.

    Прогностическая оценка дает компаниям представление о потенциале кандидатов

    Большинство рекрутеров не совсем уверены в методах отбора кандидатов

    Основы тестирования перед приемом на работу

    Определение теста на трудоустройство

    Тесты на трудоустройство обычно представляют собой стандартизированные устройства, предназначенные для измерения навыков, интеллекта, личности или других характеристик, и они дают оценку, рейтинг, описание или категорию.Однако, согласно Единым руководящим принципам по процедурам отбора сотрудников от 1978 г. , выпущенным Комиссией по равным возможностям при трудоустройстве (EEOC), любое требование о приеме на работу, установленное работодателем, считается «проверкой».

    Типы инструментов отбора и методы тестирования

    Когнитивные способности тесты измеряют интеллект. Наиболее распространенные типы, тесты IQ, измеряют общие умственные способности. Другие тесты проверяют вербальные способности, математические навыки, пространственное восприятие или индуктивное и дедуктивное мышление.

    Тесты физических способностей измеряют силу, выносливость и мышечные движения.

    Тесты на профессиональную пригодность измеряют способность претендента освоить новый навык.

    Тесты личности измеряют такие характеристики, как отношение, эмоциональная адаптация, интересы, межличностные отношения и мотивация. Работодатели часто используют эти инструменты, но критики говорят, что они вторгаются в частную жизнь и не связаны с производительностью труда. См. Что на самом деле показывают тесты личности?

    Тесты на честность и порядочность измеряют склонность заявителя к нежелательному поведению, например лжи, воровству, употреблению наркотиков или злоупотреблению алкоголем.Два типа тестов оценивают честность и порядочность. Открытые тесты на честность задают явные вопросы о честности, включая отношение и поведение в отношении краж. Личностно-ориентированные (скрытые) тесты на целостность используют психологические концепции, такие как надежность и уважение к власти. Критики заявили, что эти инструменты могут нарушить конфиденциальность и привести к самообвинению. Они также утверждают, что кандидаты могут интерпретировать намерение вопросов и давать политически правильные ответы. В некоторых штатах есть правила, касающиеся этих типов тестов, поэтому работодатели должны проконсультироваться с юрисконсультом перед их применением.

    Тесты на полиграфе дают диагностическое заключение о честности кандидата, но их достоверность была поставлена ​​под сомнение, что привело к ограничениям на их использование. Закон о защите сотрудников на полиграфе 1988 г. запрещает работодателям требовать или требовать проведение полиграфа перед приемом на работу в большинстве случаев.

    Медицинский осмотр определяет, может ли кандидат выполнять основные обязанности в определенной позе (например, наклоняться, подниматься, ходить и сидеть).ADA запрещает предварительное медицинское обследование . См. Раздел «Тестирование: медосмотр: какие вопросы соблюдения нормативных требований возникают при проведении медицинских осмотров перед приемом на работу»?

    Тестирование на алкоголь перед приемом на работу не рекомендуется, поскольку оно считается медицинским тестированием в соответствии с ADA, и поэтому должно быть связано с работой и соответствовать потребностям бизнеса. Тестирование на запрещенные вещества не считается медицинским обследованием.

    Определение необходимого тестирования

    Для внедрения процесса тестирования перед приемом на работу работодатель должен: 1) определить, какие тесты необходимы; 2) выбрать или разработать тест, который надлежащим образом оценивает необходимые знания, навыки, способности и другие характеристики (KSAO); и 3) контролировать использование теста.Реализация правильного процесса тестирования может занять много времени, но объем собранной информации может стоить затраченных усилий.

    Первым шагом является определение KSAO, необходимых для выполнения работы:

    • Знание — это информация, которой сотрудник должен обладать (например, знание принципов бухгалтерского учета).
    • Навыки — это приобретенные навыки поведения, необходимые для успешного выполнения работы (например, набор текста).
    • Способности — это наблюдаемое поведение, в том числе необходимое для выполнения физических требований работы (например,г., подъем по лестнице, подъем).
    • Другие характеристики включают любые другие требования к работе (например, отношение, надежность).

    Процесс принятия решения о том, какие тесты использовать, начинается с выделения KSAO, которые новый сотрудник должен иметь в первый день. Другими словами, что этот человек должен знать и уметь делать без дополнительного обучения на рабочем месте? После создания списка KSAO работодатель может рассмотреть варианты тестирования.

    Знания оцениваются с помощью письменных и устных вопросов.Несмотря на то, что коммерческие тесты доступны для множества конкретных областей работы, перед использованием их следует оценить на надежность и валидность.

    Работодатель может также разработать и утвердить индивидуальные вопросы для письменного экзамена или собеседования, гарантируя, что интервьюеры задают одинаковые вопросы каждому претенденту на должность.

    Навыки лучше всего оценивать, когда кандидат выполняет их. Очевидно, что одни навыки легче оценить, чем другие, но проверка ключевых профессиональных навыков может оказаться полезной.Опять же, работодатели должны разработать стандартизированный, связанный с работой, утвержденный процесс оценки для использования с каждым соискателем. Навыки можно проверить, запросив образцы работы или создав центры оценки, связанные с работой.

    Способности также лучше всего оценивать путем демонстрации. Однако при интенсивной физической активности соображения безопасности могут преобладать над необходимостью оценки. Многие работодатели предпочитают тест умственных способностей, который измеряет общий интеллект, но неясно, предсказывают ли такие тесты производительность труда, и они часто имеют дискриминационное воздействие.Для работ, требующих частого обучения или умственной сообразительности, лучшим вариантом будет оценочный центр, связанный с работой.

    Другие характеристики можно оценивать по-разному, в зависимости от конкретного атрибута. Некоторые из этих тестов будут классифицированы как медицинские осмотры и не могут проводиться до тех пор, пока работодатель не сделает предложение о работе.

    Выбор подходящих тестов

    Разработка теста на трудоустройство, отвечающего правовым и нормативным критериям и профессиональным стандартам, является сложной задачей.Это дорого, отнимает много времени и требует высоких навыков разработки тестов. В «Единых руководящих принципах по процедурам отбора сотрудников» 1978 года подробно описаны стандарты, в соответствии с которыми EEOC будет требовать от работодателей ответственности при использовании тестов при приеме на работу.

    Имеющиеся в продаже тесты, используемые при принятии решения о приеме на работу, должны быть исследованы с использованием надежного руководства. К сожалению, многие имеющиеся в продаже тесты отбора сотрудников не отвечают необходимым критериям для использования при тестировании на работу.

    Ежегодник Mental Measurements Yearbook (MMY), который издается Центром тестирования Buros при Университете Небраски в Линкольне, является одним из средств принятия обоснованных решений относительно имеющихся в продаже тестов. Серия MMY представляет собой источник объективных обзоров профессионального качества коммерчески доступных тестов и пользуется большим уважением и цитируется во всех областях психологической оценки.

    Общество промышленной и организационной психологии предоставляет множество ресурсов о тестах на работу и о том, как их выбрать в разделе «Тестирование на работу» на своем веб-сайте.

    Выбранные тесты должны быть удобными, доступными по цене, авторитетными и точными. Поставщик должен иметь возможность продемонстрировать, что его процедуры соответствуют применимому законодательству. Перед принятием окончательного решения следует проверить рекомендации поставщика и гарантии точности.

    См .:

    Справочник поставщиков отдела кадров SHRM.

    Как выбрать подходящие для вас методы оценки приема на работу

    Выбор эффективных оценок талантов для укрепления вашей организации

    Юридические вопросы

    Работодатели должны убедиться, что любые отборочные тесты являются надежными и действительными и дают стабильные результаты, предсказывающие успех в работе ; в противном случае, вероятно, последуют иски о дискриминации.Единое руководство EEOC по процедурам отбора сотрудников подробно описывает, как EEOC будет оценивать метод тестирования, который ставится под сомнение; агентство предлагает дополнительные рекомендации в своем информационном бюллетене о тестах на работу и процедурах отбора. В штатах могут быть индивидуальные требования и руководящие принципы для тех, кто работает в этом штате. Перед применением любого метода отбора рекомендуется проконсультироваться с юристом. См. DOL критикует использование компанией тестов при приеме на работу.

    Установление надежности

    Надежный инструмент отбора будет иметь высокую степень согласованности.В противном случае результаты тестирования могут отличаться между кандидатами, группами или оценщиками.

    Многие работодатели считают, что правильно проведенные и проведенные формальные тесты могут быть полезны для процесса отбора на работу. Однако добиться идеальной надежности сложно, потому что целостность теста может поставить под сомнение множество факторов, таких как неподходящие или неуместные вопросы или предвзятость рейтера при оценке кандидатов на работу. Для повышения надежности оценщиков организациям следует проводить соответствующее обучение основным правилам для каждого отборочного теста. См. Проверка тестов при приеме на работу, чтобы избежать судебных исков и Какие вопросы соответствия возникают при создании теста перед приемом на работу?

    Установление действительности

    Действительность измеряет степень точности выводов, сделанных в результате теста. Другими словами, точно ли тест измеряет связанные с работой факторы, которые предсказывают ее производительность? Для инструмента оценки перед приемом на работу валидность — это степень, в которой тест или инструмент фактически измеряет то, что он предназначен для измерения.Издатели тестов проводят валидационные исследования в соответствии с рекомендациями EEOC, и некоторыми отраслевыми и профессиональными стандартами. Один из наиболее широко используемых и уважаемых примеров этих стандартов можно найти в Обществе промышленной и организационной психологии .

    EEOC утвердил три основных формы действительности:

    • Срок действия подходит, когда анализ работы определяет работу с точки зрения важного поведения, задач или знаний, необходимых для успешной работы, а оценка или тест — это репрезентативная выборка такого поведения, задач или знаний (например,g., тест по машинописи или математике, или экзамен для дипломированных бухгалтеров). Единое руководство по процедурам отбора сотрудников гласит, что для демонстрации достоверности содержания процедуры отбора пользователь должен показать, что поведение, измеренное в процедуре отбора, является репрезентативной выборкой поведения данной должности или что выбранный процедура предоставляет репрезентативный образец рабочего продукта рассматриваемой работы. Это наименее сложный тип валидности для оценки при условии, что специалист по кадрам или консультант является компетентным аналитиком.
    • Критерийная валидность относится к способности теста предсказать, насколько хорошо человек будет выполнять свою работу. Желаемые KSAO для выполнения работы — это «критериальные переменные . » Затем разрабатываются тесты или предикторы, которые используются для измерения различных параметров работы критериальных переменных. «Тесты» могут включать в себя диплом о высшем образовании, количество набранных очков в минуту на печатном тесте или пятилетний опыт медицинской транскрипции. Затем эти предикторы проверяются на соответствие критериям, используемым для измерения производительности труда, таким как аттестация руководителя, посещаемость и качество выполненной работы.Есть два разных подхода к измерению валидности, связанной с критериями. При оценке одновременной валидности , работодатель проверяет текущих сотрудников и сравнивает оценки с оценками эффективности работы, чтобы результаты тестов и показатели эффективности были доступны одновременно. При оценке прогностической достоверности , работодатель сравнивает результаты тестирования соискателей с их последующими результатами работы .
    • Действительность конструкции относится к степени, в которой устройство выбора измеряет конкретную «конструкцию», которая, согласно анализу работы, лежит в основе успешного выполнения рассматриваемой работы.Типичные конструкции включают интеллект, честность, надежность и механическое понимание. Поскольку теоретическая конструкция используется в качестве предиктора при установлении этого типа валидности, законность и полезность инструментов оценки, таких как личностные тесты, скорее всего, будут подвергнуты сомнению.

    Мониторинг использования тестов перед приемом на работу

    Для организации критически важно постоянно контролировать использование любых тестов перед приемом на работу, чтобы поддерживать соответствие законодательству.Внедрение процесса отслеживания процедур и результатов, включая запись профиля кандидатов, проведенных тестов и полученных баллов, может помочь гарантировать, что процедуры тестирования будут действительны с течением времени. Следить за развитием законодательства в области тестирования при приеме на работу также необходимо для подтверждения их дальнейшего использования. Если при проверке отборочного теста будет обнаружено какое-либо неблагоприятное воздействие на защищаемую группу, следует немедленно обратиться за помощью к юрисконсульту.

    Глобальные проблемы

    Работодатели в Соединенных Штатах с сотрудниками из других стран должны решить, следует ли и как адаптировать свои программы тестирования в соответствии с применимыми международными законами, правилами и деловой практикой.Работодатели должны определить эти законы и обычаи и по совету юрисконсульта рекомендовать стратегию, которая учитывает правовые параметры и практические ограничения при проведении программы тестирования. Общие соображения должны включать строгие законы о неприкосновенности частной жизни, распространенные во многих странах, культурные различия в социальной терпимости (или нетерпимости) к тестированию при приеме на работу, а также практические трудности администрирования любой программы.

    Инструменты и образцы

    Контрольный список для тестирования сотрудников

    Условное предложение о работе

    Политика медицинского освидетельствования

    Агентства и организации

    U.S. Комиссия по равным возможностям трудоустройства


    Признание человеческой деятельности с помощью OpenCV и глубокого обучения

    Получите доступ к коду этого руководства и всех других более чем 400 руководств по PyImageSearch

    Введите свой адрес электронной почты ниже, чтобы узнать больше о PyImageSearch University (включая информацию о том, как вы можете загрузить исходный код в этот пост):

    Что входит в PyImageSearch University?

    • Легкий доступ к коду, наборам данных и предварительно обученным моделям для всех 400+ руководств в блоге PyImageSearch
    • Высококачественный, хорошо документированный исходный код с построчными пояснениями (гарантируя, что вы точно знаете, что делает код)
    • Jupyter Notebooks , которые предварительно настроены для работы в Google Colab с одним щелчком
    • Запускайте все примеры кода в своем веб-браузере — конфигурация среды разработки не требуется!
    • Поддержка всех основных операционных систем (Windows, macOS, Linux и Raspbian)
    • Полный доступ к курсам PyImageSearch University
    • Подробные видеоуроки к каждому уроку
    • Свидетельства об окончании за все курсы
    • Новые курсы добавляются каждый месяц! — оставайтесь в курсе последних тенденций в области компьютерного зрения и глубокого обучения

    PyImageSearch University — действительно лучшая степень магистра компьютерного видения, которую я хотел бы иметь, когда начинаю. Возможность получить доступ ко всем руководствам Адриана на единой проиндексированной странице и возможность начать экспериментировать с кодом, не переживая кошмар настройки всего, — это просто потрясающе. 10/10 рекомендую.

    Саньям Бутани Инженер по машинному обучению и 2 мастера Kaggle

    Получите

    мгновенный доступ к коду для этого руководства и всех других 400+ руководств по PyImageSearch!

    Или перейдите на годовую за 59 долларов.40 / год и сэкономьте 15%!

    • Доступ к централизованным репозиториям кода для все 400+ руководств на PyImageSearch
    • Простой код доступа для Все новые учебники , которые публикуются каждый понедельник в 10:00 EST
    • Простая загрузка в один клик для кода, моделей, наборов данных и т. Д.

    PyImageSearch University — действительно лучшая степень магистра компьютерного видения, которую я хотел бы иметь, когда начинаю. Возможность получить доступ ко всем руководствам Адриана на единой проиндексированной странице и возможность начать экспериментировать с кодом, не переживая кошмар настройки всего, — это просто потрясающе. 10/10 рекомендую.

    Саньям Бутани Инженер по машинному обучению и 2 мастера Kaggle

    Что на самом деле показывают тесты личности?

    Содержание страницы

    В 2015 году тысячи соискателей работы в Amtrak должны были пройти онлайн-оценку культурной пригодности, которая измеряла их личностные качества, особенно те, которые, как считается, связаны с сознанием безопасности, осведомленностью о клиентах и ​​т. Д. порядочность и способность к сотрудничеству.

    Это основные атрибуты, которые транспортное агентство стремится привлечь к своей рабочей силе высококлассных новичков.

    «Нам предстоит много выходов на пенсию», — говорит Узма С. Бурки, старший вице-президент Amtrak по стратегии человеческого капитала и центр передового опыта. «Мы хотим убедиться, что привлекаем« подходящих »людей».

    Всего за первый месяц 5 000 кандидатов прошли 45-минутное онлайн-тестирование, которое было разработано с помощью консультанта.Из них 2 000 были определены как «наиболее подходящие» для организации и будут первыми, кто будет опрошен. Еще 1800 человек были сочтены «средним показателем», а 1200 — «минимальным соответствием», — говорит она. Amtrak нанимает около 2300 новых рабочих по всей стране каждый год.

    По оценкам некоторых экспертов, сейчас 60 процентов рабочих должны пройти аттестацию на рабочем месте.Промышленность с оборотом 500 миллионов долларов в год в последние годы росла примерно на 10 процентов в год. В то время как многие организации используют тестирование личности для развития карьеры, около 22% используют его для оценки кандидатов на работу, согласно результатам опроса 2014 года, проведенного среди 344 членов Общества управления человеческими ресурсами.

    Однако доступны тысячи оценок личности, и качество их варьируется. Некоторые могут даже вызвать у работодателя проблемы с законом. Поэтому специалисты по персоналу должны тщательно изучить свои варианты, прежде чем решать, подходит ли оценка личности для их компании и если да, то какую из них использовать.

    Даже после тщательного отбора экзамена они не должны полагаться только на результаты теста при принятии решения о приеме на работу.

    «Это не серебряная пуля», — предупреждает Бурки. «Это одна из многих переменных, которые необходимо учитывать при приеме на работу», наряду с опытом, образованием, рекомендациями и поведением соискателя во время собеседования.

    Точны ли тесты?

    Согласно исследованию Фрэнка Л., по сравнению с другими методами отбора персонала, личностные оценки являются одними из наименее эффективных для прогнозирования производительности труда.Шмидт, почетный профессор менеджмента и организаций Университета Айовы. Он обнаружил, что они работают лучше всего в сочетании с другими мерами, такими как тесты на когнитивные способности или целостность, которые имеют более высокую прогностическую ценность.

    Тем не менее, Дениз С. Онес, профессор промышленной психологии Миннесотского университета, города-побратимы, считает, что хорошо продуманная оценка личности при правильном использовании может быть полезным и точным способом определить, будет ли кто-то хорошим поместиться.По ее словам, проблема в том, что не все тесты одинаковы. «Хороший тест, как и хорошая машина, выдержал бы тяжелые технические испытания, как при падении манекена».

    Многие оценки основаны на пятифакторной модели, которая включает в себя открытость опыту, добросовестность, экстраверсию, уступчивость и невротизм. Эти оценки были предметом наибольшей оценки исследователей.

    Но есть много популярных и недорогих методов оценки личности, которые считаются менее пригодными для использования при приеме на работу.Например, четырехквадрантные тесты, которые обычно представляют собой тесты словесных ассоциаций, не должны использоваться в процессе приема на работу, говорит Уитни Мартин, стратег-аналитик ProActive Consulting в Луисвилле, штат Кентукки. Они измеряют «состояние» человека, которое может изменяются в зависимости от настроения и окружающей среды, в отличие от устойчивых черт личности.

    Ones советует специалистам по персоналу избегать использования тестов, которые помещают людей в одну из нескольких категорий или стилей личности, потому что эти типы тестов слишком упрощены.

    Одна из самых известных личностных оценок, индикатор типа Майерс-Бриггс, по словам издателя теста, вообще не предназначена для использования в процессе приема на работу. «Люди самых разных типов преуспевают в одной и той же работе по разным причинам», — говорится на сайте издателя. «Людей не следует классифицировать на основе их личных предпочтений».

    Другой популярный инструмент, Прогнозирующий индекс, соответствует рекомендациям Комиссии по равным возможностям в сфере занятости (EEOC) США, потому что это «инструмент свободного выбора», в котором люди выбирают слова, которые лучше всего описывают себя, а не ограничиваются несколькими: «Выбор ответов», — говорит Наташа Августин, директор по работе с клиентами atR.H. Sweeney Associates, имеющей лицензию на продажу инструмента Predictive Index в Техасе.

    Хотя на результаты человека могут повлиять стрессовые жизненные обстоятельства, инструмент дает стабильные результаты с течением времени, говорит она.

    Одна из критических замечаний по поводу самооценки личности заключается в том, что соискатели будут давать ответы, которые, по их мнению, хочет работодатель. Другими словами, кандидаты могут подделывать ответы. Но исследования показывают, что обычно этого не происходит — и даже когда это происходит, это не оказывает существенного влияния на рейтинг лучших кандидатов, — говорит Онес.

    Даже самые сложные инструменты оставляют место для интерпретации. Например, большинство людей хотят нанять экстраверта на должность продавца. Но такая склонность может быть ошибочной, предостерегает Филлис Г. Хартман, SHRM-SCP, владелец PGHR Consulting Inc. в Питтсбурге. Она говорит, что ее муж, которого она называет тихим и замкнутым, успешно занимается продажами уже 40 лет. «Он говорит, что лучший инструмент для продавца — это его уши — они умеют слушать, а не говорить», — говорит Хартман.

    Фредерик Моргесон, эксперт по организационной психологии из Университета штата Мичиган, так говорит об оценке личности: «Это не судьба.«Люди могут найти обходные пути и преодолеть свои естественные склонности. «Что мы пытаемся сделать в контексте найма, так это предположить, как кто-то будет вести себя на этой работе», — говорит он. «Мы улучшаем шансы».

    Новая волна

    Технологические и научные достижения привели к появлению нового поколения оценок личности с использованием компьютеров и мобильных игр.

    Pymetrics использует интеллектуальные игры, основанные на нейробиологии, для оценки 50 когнитивных и эмоциональных характеристик и сопоставления навыков сотрудников с потребностями работодателя.

    «По работе это немного похоже на Match.com, — говорит Фрида Полли, соучредитель Pymetrics в Нью-Йорке.

    Поскольку оценки основаны на том, как играют в игры, они дают более точные результаты, чем оценки, требующие от людей сообщать о своих собственных тенденциях, утверждает Полли. Игры бесплатны на сайте компании pymetrics.com.

    Калифорнийская компания Knack предлагает приложение, позволяющее пользователям играть на своих смартфонах в игры, определяющие их образ мышления и работу.

    Morgeson из штата Мичиган говорит, что исследователям потребуется время, прежде чем исследователи определят, насколько хорошо эти новые оценки позволяют прогнозировать эффективность работы. «Я не исключаю этого, но я думаю, что мы просто не знаем», — говорит он.

    Оценка теста

    При выборе оценки личности одна из распространенных ошибок работодателей — неспособность сосредоточиться на том, чего они пытаются достичь.Некоторые выбирают оценку, основанную на том, что используют другие организации, а не на целях своей компании, говорит Мартин.

    «Если цель состоит в сокращении текучести кадров, прогулов или употребления наркотиков на рабочем месте, это совсем другой процесс, чем если бы вы представляли медицинскую организацию, пытающуюся повысить удовлетворенность пациентов и пытающуюся измерить сочувствие медсестер», — объясняет она.

    Самыми сильными личностными тестами, которые можно использовать при приеме на работу, по ее словам, являются те, которые:

    • Измеряют стабильные качества, которые не изменятся со временем.
    • носят нормативный характер и позволяют сравнивать баллы одного заявителя с результатами других.
    • Предоставьте шкалу «откровенности», чтобы указать, насколько вероятно, что результаты точно отражают тестируемого.
    • Имеют высокую надежность, дают те же результаты, если тот же человек возьмет его снова.
    • Доказано, что они являются надежными предикторами производительности труда.

    При исследовании инструментов оценки личности специалисты по персоналу должны запрашивать у поставщиков техническую документацию, которая показывает, для чего тест был разработан, для какой группы он был протестирован и какое поведение на рабочем месте он может предсказать, советует Онес.

    Вопросы для поставщиков

    При оценке инструментов оценки личности эксперты предлагают начинать со следующих вопросов:

    • Что такое оценка предназначена для измерения и какую пользу это принесет организации?
    • Насколько надежна и точна оценка?
    • Эффективно ли предсказывает важные модели поведения на рабочем месте, которые определяют показатели, влияющие на продажи, удовлетворенность клиентов и текучесть кадров?
    • Поставляется ли он с инструментом анализа работы, который позволяет определять поведенческие требования к работе?
    • Насколько легко сдать экзамен?
    • Есть несколько языков?
    • Насколько легко интерпретировать результаты?
    • Является ли оценка необъективной и соответствует ли она федеральным правилам?

    Источник: Р.Х. Суини Ассошиэйтс.

    Чтобы получить помощь в понимании технической документации, специалисты по персоналу могут проконсультироваться в Центре тестирования бюро при Университете Небраски в Линкольне для получения бесплатных или платных обзоров. Некоммерческое общество промышленной и организационной психологии также имеет на своем веб-сайте указатель консультантов. Другой вариант — обратиться за помощью к промышленно-организационному психологу в местный университет.

    Также важно, чтобы специалисты по персоналу определяли, как бизнес будет измерять эффективность инструмента оценки, добавляет Мартин: «Уметь показывать показатели.Потому что, если вы не можете обосновать это экономическое обоснование, вы должны задаться вопросом, работает оно или нет ».

    Справедливы ли тесты?

    Также необходимо учитывать юридические последствия.

    Прокурор Атланты Роланд Бем утверждает, что некоторые тесты личности, используемые работодателями, дискриминируют людей с психическими заболеваниями в нарушение Федерального закона об американцах с ограниченными возможностями (ADA).В 2012 и 2013 годах Бем подал в EEOC жалобы на дискриминацию от имени своего сына студенческого возраста Кайла, которому семь компаний отказали в летней работе после прохождения онлайн-оценки личности. Кайл, у которого было диагностировано биполярное расстройство, заметил, что вопросы в онлайн-тестах были похожи на медицинские оценки, которые он прошел.

    Инструменты оценки

    Наиболее распространенные методы, которые работодатели используют для оценки кандидатов на вакансию.

    Поведенческие интервью 62%
    Онлайн-анкеты для проверки минимальной квалификации 41%
    Проверка навыков 38%
    Интервью с оценочными шкалами, привязанными к поведению 26%
    Анкеты ситуационного суждения 23%
    Анкеты организационной пригодности 23%
    Тестирование личности 22%
    Проверка способностей 18%
    Заявки на работу с оценкой 16%
    Источник: исследование SHRM по заказу ACT, декабрь 2014 г.

    После того, как Кайл прошел онлайн-тест для Kroger Co., как утверждает Бем, сотрудник сказал ему, что его не наняли, потому что он получил «красную» оценку на тесте. По словам Бема, тест проводил Kronos Inc.

    Жалоба Бема против Kroger Co., а также жалоба против PetSmart Inc., по словам Бема, было завершено расследование, проводимое офисом EEOC в Балтиморе, и оба все еще находились на рассмотрении, когда эта статья была напечатана. Представители компаний не были доступны для комментариев.

    Тест был основан на пятифакторной модели и задавал такие вопросы, как: «Чувствуете ли вы, что счастливы все время, большую часть времени, иногда или нет?»

    Если EEOC подаст иск по обвинениям и выиграет, работодатели, использующие такие тесты, могут столкнуться с огромной ответственностью, «потому что любой, кто прошел тест, будет иметь претензию», а не только те, кто страдает психическим заболеванием, говорит Бем, чей сын теперь окончил университет. окончил колледж по специальности инженер-механик.

    EEOC не будет подтверждать или опровергать факт расследования. В целом, однако, агентство будет обеспокоено, если личностный тест будет считаться медицинским осмотром, поскольку ADA запрещает работодателям требовать медицинские осмотры до того, как будет сделано предложение о работе, говорит помощник юрисконсульта EEOC Крис Кучински.

    Даже если личностный тест не считается медицинским осмотром и проводится после того, как было сделано предложение о работе, «нас будет беспокоить, используется ли тест таким образом, чтобы он отсеивал или исключал кого-то с инвалидностью из работы, — говорит Кучинский.

    «Будьте осторожны, чтобы эти тесты действительно измеряли способность выполнять работу», — предупреждает он. «Как правило, они могут измерять способность некоторых людей выполнять работу. Но они не могут быть предсказательными для всех ».

    Чтобы юридически отстранить кого-либо с инвалидностью от работы, работодатель должен показать, что это лицо не может выполнять основные функции работы или что он или она может представлять прямую угрозу или риск для безопасности.

    Работодатели также могут быть привлечены к ответственности, если тесты, которые они используют, непреднамеренно исключают группы, находящиеся под защитой Раздела VII Закона о гражданских правах 1964 года.Специалисты по персоналу не должны доверять поставщикам, которые заявляют, что их оценки были подтверждены, без подтверждения заявления.

    «Согласно Разделу VII, работодатель — независимо от того, кто проводит тест — несет ответственность», — говорит Эстер Г. Ландер, партнер юридической фирмы Akin Gump Strauss Hauer & Feld в Вашингтоне, округ Колумбия. По ее словам, непонятно, насколько они платежеспособны, чтобы возместить работодателю убытки.

    Чтобы свести к минимуму юридический риск, убедитесь, что оценка фокусируется на конкретных личностных качествах, которые, как было доказано, связаны с конкретной работой, говорит адвокат Эшли Дж.Кеапрот, также в Akin Gump.

    Время решает все

    В жизненном цикле компании также могут быть моменты, когда не следует использовать личностные тесты при приеме на работу.

    Такие оценки в настоящее время не используются в Integra Life Sciences, базирующейся в Плейнсборо, штат Нью-Джерси, потому что компания переживает трансформацию, говорит Падма Тирувенгадам, корпоративный вице-президент по стратегическим инициативам, операционному превосходству и директор по персоналу.

    «Мы очень осторожны, чтобы не помещать людей в коробку с личностными тестами, потому что нам нужны люди, которые могут преобразовать компанию, а затем добиться большего», — говорит она.

    «Иногда личностные тесты дают вам данные, которые могут сузить круг талантов до чего-то очень конкретного и… что может фактически помешать трансформации компании», — говорит Тирувенгадам.

    Как только компания достигнет операционной стабильности, она планирует использовать личностную оценку как часть процесса найма, говорит она.

    Черты характера или ярлыки?

    Личностные оценки вызывают жаркие споры как среди специалистов по персоналу, так и среди соискателей.

    В то время как Ральф Стюарт, исполнительный вице-президент и главный кредитный директор Alabama Farm Credit в Каллмане, штат Алабама., признает, что личностные оценки не безошибочны, он считает, что они увеличивают его шансы найти хорошего сотрудника.

    «Когда я нанимал кого-то, я думал, что у меня есть 50 на 50 шансов, что это сработает», — говорит Стюарт. По его оценке, с помощью оценки личности у него 75% -ный шанс на успех нового сотрудника. По его словам, это особенно полезно при приеме на работу для оценки недавних выпускников колледжей с небольшим опытом работы.

    Однако другие беспокоятся о том, что их организации могут потерять, если откажутся от людей, не обладающих «оптимальными» личностными качествами для должности.Линда Каммингс, консультант по персоналу в районе Сан-Франциско, вспоминает несколько случаев, когда менеджеры по найму в ее бывших компаниях игнорировали результаты оценки, когда кандидат хорошо провел собеседование. «Если бы мы приняли решение нанять на основе этого личностного теста, мы бы не наняли очень хороших людей», — говорит она.

    Сара Бабино, SHRM-CP, президент и генеральный директор Compass Metrics LLC, консультирующая компании по вопросам разнообразия, говорит, что вздрагивает, когда ее просят пройти оценку личности.

    «Я знаю, что я другой, и обычно мне это нравится в себе. Однако результаты личностного теста в совокупности заставили меня почувствовать, что быть такой непохожей на других — это плохо », — говорит она.


    Эта статья относится к критической оценке, одной из девяти компетенций, на которых SHRM основывает свою новую сертификацию. Чтобы узнать больше, посетите www.shrmcertification.org.

    .
    Leave a Reply

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *