WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     ||
|

На основании целей системы и решаемых задач построена обобщённая модель системы (Рис. 1).

Рисунок 1. Обобщённая модель системы оценки качества знаний.

Выделены трудности задачи создания системы оценки качества знаний:

- применение точных методов невозможно (не обосновано), так как на данный момент не выявлены количественные взаимосвязи между параметрами;

- применение точных методов связано с огромными затратами времени и ресурсов;

- имеет смысл пожертвовать некоторой точностью для экономии времени и ресурсов;

- нет возможности набрать достаточный статистический материал в условиях постоянной модернизации обучения, чтобы корректно воспользоваться теорией вероятности.

Выделена возможность использования искусственных нейронных сетей для обработки информации, которая определяется их способностью аппроксимировать с требуемой точностью любую необходимую характеристику вход-выход синтезируемой системы.

На основании анализа задачи оценки качества знаний и выбранных инструментов выделены следующие задачи электронного ресурса оценки качества знаний:

1) оценка результатов тестирования;

2) разработка тестовых заданий;

3) построение текущего и прогнозируемого портрета обучающегося;

4) мониторинг качества знаний;

5) генерации тестов;

6) построение онтологий предметных областей.

На основании задач разработана следующая структура электронного ресурса оценки качества знаний (Рис. 2).

Подсистема Подсистема Подсистема оценки перенастройки экспертной результата весовых корректировки тестирования коэффициентов Подсистема Подсистема генерации ввода тестовых База Данных тестов заданий Подсистема Подсистема Подсистема мониторинга построения построения качества портрета онтологий знаний обучающегося Рисунок 2. Электронный ресурс оценки качества знаний.

Для описания модели в диссертационной работе используется методология IDEF0. Отличительной особенностью IDEF0 является её акцент на соподчинённость объектов. В IDEF0 рассматриваются логические отношения между работами, а не их временная последовательность, также отображаются все сигналы управления.

На основе произведённого анализа и выделенных структур построена модель электронного ресурса оценки качества знаний в виде IDEF0диаграмм, которые представлены в диссертации.

В работе представлены способы классификации искусственных нейронных сетей.

В данной работе предлагается использовать модель нейрона с линейной функцией активации, то есть чтобы она была равна сумме своих аргументов. Подобным образом решена проблема сложности содержательной интерпретации и обоснования аргумента, и проблема вида активационной (передаточной) функции нейрона. Была выбрана парадигма с обратным распространением ошибки.

Суть этого подхода состоит в том, что интенсивности входных сигналов рассматриваются не сами по себе и не с точки зрения только их интенсивности, а как сообщения, несущие определенное количество информации или дезинформации о переходе нейрона и моделируемого им активного объекта управления в некоторое будущее состояние. В данном случае решена проблема содержательной интерпретации смысла интенсивности входных сигналов и весовых коэффициентов.

Каждая из подсистем электронного ресурса оценки качества знаний представлена как отдельная система, отвечающая за свои цели и задачи и выполняющая одну из функций всей системы.

Модель нейронной сети обработки результатов тестирования, предложенная в диссертации, представляет собой многослойную нейронную сеть.

Входной слой отвечает за сложность задания и принадлежность к какому-либо классу знаний. Промежуточные слои определяют принадлежность к области знаний. Выходной слой образует результат.

Для построения подсистемы оценки знаний задаётся структура нейронной сети и её поведение при обработке результатов. Вариант структуры представлен в диссертации.

Такая особенность данных многослойных нейронных сетей, как выделение глобальных свойств, позволила использовать их в качестве тонкого инструмента для построения математической модели теста, создание которого является развитием классической теории тестирования.

В диссертации в виде IDEF0-диаграммы представлен процесс интерпретации результатов тестирования, процесс ввода результатов тестирования.

Для построения онтологии в рамках системы педагогического тестирования выделены такие объекты, как тестовое задание, раздел учебной дисциплины или раздел образовательной области. Разделы учебных дисциплин и учебные дисциплины построены по принципу иерархии и имеют отношения принадлежности в рамках соотношений между собой, в то время как тестовые задания соотносятся только с разделами по принципу принадлежности.

Принадлежность определяется значением, лежащим в промежутке [0,1]. Чем больше значение, тем больше соответствие тестового задания проверке знаний по данному учебному разделу.

В работе представлен общий вид онтологии для системы педагогического тестирования, имеющий иерархическую структуру.

Процесс модификации онтологии представлен в виде IDEF0 в диссертации.

В рамках подсистемы ввода тестовых заданий электронного ресурса оценки качества знаний выделены основные характеристики тестового задания:

1) формулировка или текстовое сопровождение;

2) вид;

3) связи с областями знаний на основе построенной онтологии;

4) время, требуемое в среднем на выполнение;

5) сложность;

6) трудность;

7) актуальность;

8) дополнительный материал.

Подсистема построения портрета обучающегося выполняет функцию сравнения показателей эталонной модели и реальной модели обучающегося, в итоге отражая отклонения. В работе представлена модель нейронной сети подсистемы расчёта отклонений и нейронная сеть подсистемы построения портрета обучающегося. Имеется схема модификации эталонной модели обучающегося.

На основе полученных данных можно говорить о достижении целей обучения и об относительной успеваемости среди учащихся.

Эталонная модель портрета выпускника отражает все особенности процесса обучения. Адаптация модели к промежуточной оценке обучающегося сводится к реорганизации её показателей и характеристик. Пример приведён в диссертационной работе, где также рассмотрена модель для прогнозирования.

С помощью подсистемы экспертной корректировки строится базовый элемент для подсистемы перенастройки весовых коэффициентов, который будет служить обучающим примером для нейронной сети. С помощью перенастройки сети и анализа вновь полученных коэффициентов удаётся оценить важность тем с точки зрения профессионально подготовки специалиста.

Одной из основных подсистем является подсистема генерации тестов, так как на основе данной системы строятся все проверочные тестовые работы. Главной задачей подсистемы является не только построение теста по заранее заданным условиям, но и генерация аналогичных вариантов на основе базы тестовых заданий.

Задача генерации тестов сводится к задаче целочисленного программирования. Процесс генерации тестов представлен в диссертации в виде IDEF0- диаграммы.

Для программной системы оценки качества знаний студентов на основе нейронных сетей была использована интегрированная среда Delphi.

Основной целью разработки программной оболочки ставилась проверка и отработка на ее основе теоретических положений, предложенных во второй главе. Программная реализация системы оценки качества знаний студентов на основе нейронных сетей была произведена на базе рассмотренных во второй главе модели данных и модели логической структуры информационной системы.

Основной целью педагогического эксперимента являлась проверка гипотезы о том, что использование системы оценки качества знаний студентов на основе нейронных сетей позволит:

1) производить распределённый мониторинг результативности обучении;

2) на основе распределённого мониторинга выделять наиболее слабые стороны обучающихся, тем самым рекомендовать модифицировать учебный процесс таким образом, чтобы ликвидировались пробелы в знаниях обучающихся;

3) предоставлять возможность оценки результатов тестирования.

Для эксперимента были выбраны студенты специальности «Математическое обеспечение и администрирование информационных систем» Курского государственного университета.

Для апробации разработанной системы оценки качества знаний студентов на основе нейронных сетей на примере дисциплин «Параллельное программирование» и «Теория вычислительных процессов и структур» были созданы простейшие онтологии предметных областей изучаемого курса.

Для проверки качества знаний обучающихся на протяжении курса обучения был разработан банк тестовых заданий, состоящий из 500 единиц. Каждое тестовое задание включало в себя все характеристики, указанные в главе II для тестовых заданий на основе экспертных оценок.

Для проведения педагогического эксперимента были определены контрольные и экспериментальные группы студентов для исследования по дисциплине «Параллельное программирование»:

- группа №1 (экспериментальная) – 34 человека;

- группа №2 (контрольная) – 34 человека;

- группа №3 (экспериментальная) - 39 человек;

- группа №4 (контрольная) - 38 человек.

Для исследования по дисциплине «Теория вычислительных процессов и структур группы №1 и №3 стали контрольными, а №2 и №4 экспериментальными.

Студенты были разбиты на группы с учётом набранных баллов в зачётной книжке, то есть равные по успеваемости. Группы №1 и №2 - 2007 учебный год, группы №3 и №4 - 2008 учебный год.

Группы №1 и №3 по эксперименту для предмета «Параллельное программирование» обучали с использованием преподавателем системы оценки качества знаний студентов на основе нейронных сетей в целях модификации учебного процесса, группы №2 и №4 без использования данной системы. Для дисциплины «Теория вычислительных процессов и структур» группы №1 и №3 по эксперименту обучались без использования преподавателем системы оценки качества знаний студентов на основе нейронных сетей в целях модификации учебного процесса, группы №2 и №4 с использованием данной системы.

На основе банка заданий в течение обучения была сгенерирована серия тестов с одинаковыми характеристиками.

Обучение было разделено на 3 этапа, после каждого из которых проводилось тестирование по пройденному материалу.

Перед вторым этапом, с учётом результатов тестирования, каждому студенту экспериментальной группы были предложены лабораторные задания на темы, в которых он показал слабые знания. Таким образом, был осуществлён индивидуальный подход к представлению материала. Также в связи с низким баллом по объектно-ориентированным технологиям и теории формальных языков и трансляций для экспериментальных групп были внесены изменения в содержание обучения: два учебных часа лекционных занятий группа посвятила данным предметам.

Перед третьим этапом преподавателем была произведена подборка тем для самостоятельного изучения индивидуально для каждого студента экспериментальных групп, показавшего наиболее слабые результаты по определённым темам.

В таблицах 1 и 2 представлены результаты итогового тестирования по дисциплинам «Параллельное программирование» и «Теория вычислительных процессов и структур».

Таблица 1. Результаты итогового тестирования по предмету «Параллельное программирование».

Группа Процент студентов показавших отрицательные результаты №1 5,№2 26,№3 7,№4 36,Таблица 2. Результаты итогового тестирования по предмету «Теория вычислительных процессов и структур».

Группа Процент студентов показавших отрицательные результаты №1 29,№2 5,№3 30,№4 10, С опорой на полученные после третьего этапа тестирования результаты в экспериментальных группах каждому студенту был предложен список тем, на которые обучающийся должен обратить особое внимание при итоговом тестировании. Кроме того, по данным тестирования были отмечены характерные ошибки каждого студента. На темы №10 и №11 было уделено больше времени в ходе практических занятий и использованы другие методы представления материала, тем самым было изменено содержание обучения. В группах №2 и №4 по предмету «Теория вычислительных процессов и структур» темам №5 и №6 было уделено дополнительное внимание, были рассмотрены дополнительные практические примеры на занятиях.

Результаты итогового тестирования представлены на диаграммах (Рис.

3-6).

105,00% 100,00% 95,00% 90,00% Группа №85,00% Группа №80,00% 75,00% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Дидактические единицы Рисунок 3. Данные после итогового этапа по дисциплине «Параллельное программирование» (Группы №1 и №2).

120,00% 100,00% 80,00% 60,00% Группа №40,00% Группа №20,00% 0,00% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Дидактические единицы Рисунок 4. Данные после итогового этапа по дисциплине «Параллельное программирование» (Группы №3 и №4).

120,00% 100,00% 80,00% 60,00% Группа №40,00% Группа №20,00% 0,00% 1 2 3 4 5 6 7 8 9 10 11 12 Дидактические единицы Рисунок 5. Данные после итогового этапа по дисциплине «Теория вычислительных процессов и структур» (Группы №1 и №2).

120,00% 100,00% 80,00% 60,00% Группа №40,00% Группа №20,00% 0,00% 1 2 3 4 5 6 7 8 9 10 11 12 Дидактические единицы Рисунок 6. Данные после итогового этапа по дисциплине «Теория вычислительных процессов и структур» (Группы №3 и №4)..

По результатам всего эксперимента был модифицирован лекционный материал наиболее проблемных тематик.

Итоговый контроль на основе тестирования показал, что усвоение предмета в группах существенно отличаются. В экспериментальных группах №1 и № 3 отрицательные результаты показали всего 2 и 3 студента соответственно по дисциплине «Параллельное программирование» в отличие от контрольных групп №2 и №4, где пробелы в образовании обнаружились сразу у 9 и 12 студентов соответственно. Схожая картина наблюдалась и по дисциплине «Теория вычислительных процессов и структур», где в эксперимен тальных группах №2 и №4 отрицательные результаты показали 2 и 4 студента соответственно в отличие от контрольных групп №1 и №3, где пробелы обнаружились у 10 и 12 студентов соответственно. Исходя из этого следует отметить, что использование системы оценки качества знаний студентов на основе нейронных сетей подтвердило гипотезу о возможности производить мониторинг результативности обучения и на его базе выделять наиболее слабые стороны обучающихся. Это позволит рекомендовать модифицировать учебный процесс таким образом, чтобы успеваемость обучающихся повысилась.

На основе пройденных тестов были построены портреты обучающихся с помощью системы оценки качества знаний студентов на основе нейронных сетей.

Pages:     ||
|



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.