Модели и методы адаптивного контроля знаний

знания студента.

Рис. 5. Модели и методы оценки знаний.

Модели, учитывающие параметры заданий. В этих моделях при выставлении оценки используются характеристики контрольных вопросов. Существуют различные модификации данного типа моделей.

Модель, учитывающая время выполнения задания и/или общее время контрольной работы. Для правильных ответов рассчитывается значение Ri по формуле:

,

где t – время выполнения задания; tmax – время, отведенное для выполнения задания.

Далее итоговая оценка вычисляется аналогично “Простейшей модели”.

Модель на основе уровней усвоения. В этой модели характеристикой задания является уровень усвоения, для проверки которого оно предназначено. Таким образом, задания разделяются на пять групп, соответствующих уровням усвоения: понимание, опознание, воспроизведение, применение, творческая деятельность [Соловов, 1995]. Для каждого задания определяется набор существенных операций. Под существенными понимают те операции, которые выполняются на проверяемом уровне. Операции, принадлежащие к более низким уровням, в число существенных не входят. Для выставления оценки используется коэффициент Кa :

где Р1 - количество правильно выполненных существенных операций в процессе контроля;

Р2 - общее количество существенных операций в контрольной работе;

a = 0, 1, 2, 3, 4 – соответствуют уровням усвоения.

Оценка выставляется на основе заданных граничных значений по соотношениям:

Кa < 0.7 – неудовлетворительно;
0.7 Кa < 0.8 – удовлетворительно;
0.8 Кa < 0.9 – хорошо;
Кa 0.9 – отлично.

Данная модель используется в системе КАДИС [Соловов, 2002].

Метод линейно - кусочной аппроксимации [Зайцева, 1989; Зайцева, 1991]. Алгоритм оценивания основан на классификации заданий (вопросов) по их дидактическим характеристикам (значимость (z), трудность (d), спецификация (s)). Число баллов, полученных студентом за выполнение n заданий, определяется по формуле:

,

где xi – оценка за выполнение i–го задания;

n – число заданий;

W = {w1 ,w2 ,…,w36 } – вектор весовых коэффициентов заданий, зависящий от их дидактических характеристик.

По завершению контроля определяется средний балл А, полученный студентом за выполнение n заданий (A = y / kn , где kn – количество попыток выполнения n заданий, kn n ) и уточненный средний балл A':

где r – ранг обучаемого (1, 2, или 3);

kn – количество попыток выполнения n заданий;

kc – количество обращений к справочной информации;

kb – количество заданий, выполненных с превышением отведенного времени (kb n);

a1 , a2 , a3 , a4 - коэффициенты.

Далее оценка выставляется по формуле (1). Аналогичным образом определяется и уровень усвоения (ранг) студента. Преимущество данной модели: использование как четырех дидактических характеристик заданий, так и уровня подготовленности (ранга) из модели студента, что позволяет повысить надежность результатов контроля. Модель в качестве основной использовалась в семействе АОС, разработанных в РТУ.

Модели на основе вероятностных критериев. Главным в данных математических моделях контроля знаний являются утверждения о зависимости вероятности правильного ответа студента от уровня его подготовленности и от параметров задания [Rasch, 1977; Lord, 1980; Аванесов, 1998]. Суть этих моделей состоит в том, что на основе известных априорных вероятностей рассчитываются апостериорные вероятности Р (Hi ) гипотезыHi , что студент заслуживает оценку i. При вычислении вероятности Р(Hi ) учитываются: сложность и время выполнения заданий; число предложенных обучаемому заданий; число неправильно выполненных заданий и др. Рассчитанные вероятности анализируются и/или сравниваются с граничными значениями, учитывая риски недооценки и переоценки выставления оценки i. Если полученные результаты однозначно позволяют выставить оценку, то контроль, как правило, завершается. В противном случае студенту выдается очередное задание. Модель данного типа использовалась в АОС ВУЗ [Волков, 1984], различные модификации модели успешно применяются и в настоящее время [Попов, 2000; Моисеев, 2001].

Основная идея классификационных моделей заключается в отнесении студента к одному из устойчивых классов с учетом совокупности признаков, определяющих данного студента. При этом используется специальная процедура вычисления степени похожести (оценки) распознаваемой строки (совокупности признаков обучаемого) на строки, принадлежность которых к классам заранее известна.

Алгоритм, основанный на вычислении оценок (АВО) был впервые предложен Ю.И. Журавлевым [Журавлев, 1978] и позднее использовался для классификации обучаемых по уровням полготовленности [Зайцева, 1989] и для оценки знаний в качестве дополнительного метода в обучающих системах РТУ [Зайцева, 1989а[. Данная модель предусматривает построение таблицы обучения То nm , в которой каждая строка представляет собой набор признаков обучаемого характеризующих работу студента в процессе КЗ: количество предложенных заданий (n), средний балл (A), количество попыток выполнения заданий (kn ), количество обращений к справочной информации (kc ), ранг (r). При выставлении оценки вычисляется степень похожести совокупности признаков конкретного студента I(S) = {1 , 2 , …, m } на строки, входящие в таблицу обучения То nm , на основании чего осуществляется отнесение его к определенному классу Kj . Для этого вычисляется число строк каждого класса Kj , близких по выбранному критерию классифицируемому объекту S. Строка таблицы обучения То nm I(Sj i ) = {a j i1 , …, aj im } и распознаваемая строка I (S) = {1 , 2 , …, m } считаются похожими, если выполняются неравенства |aj ikk | , где (k =1, …, m) - точность сравнения. Студент относится к классу Kj , имеющему максимальную оценку max Гj (S, Kj ), j = 1, …, m. Данная модель в настоящее время применяется в системе [КИОС, 1992] с единственным отличием: вместо одной таблицы обучения, содержащей данные для различных классов, в КИОС используются четыре таблицы обучения для классов “отлично”, “хорошо”, “удовлетворительно” и “неудовлетворительно”, названные эталонными таблицами оценивания.

Таким образом, для оценивания знаний студентов применяются разные модели и алгоритмы, начиная с самых простых, учитывающих лишь процент правильно выполненых заданий при двухбалльной системе оценки отдельного вопроса, и заканчивая сложными составными, в которых используются всевозможные параметры контроля и многобалльная система оценки как отдельных заданий, так и работы в целом [Прокофьева, 2001; Прокофьева, 2002]. В таблице 2 приведены рассмотренные выше модели и методы оценки знаний и используемые параметры. Все методы оценивания предусматривают в процессе КЗ сбор данных о ходе контроля (в таблице 2 эти параметры подчеркнуты, остальные определяются на этапе обучения и могут быть изменены преподавателем перед началом КЗ). Метод линейно - кусочной аппроксимации и модели на основе вероятностных критериев предполагают также вычисление некоторых функций, которые обычно используются для определения дальнейшего хода контроля.

Заключение

Методы проведения контроля и методы оценивания тесно взаимосвязаны. В общем случае любая модель выставления оценки может быть использована при любом методе проведения КЗ, за исключением моделей на основе вероятностных критериев, которые предназначены лишь для частично адаптивных и адаптивных методов организации контроля. С другой стороны, простейшую модель выставления оценки и модель, учитывающую время ответов, целесообразно применять только совместно с неадаптивными методами КЗ. Таким образом, при адаптивном контроле знаний рекомендуется использовать модели на основе вероятностных критериев, АВО или уровней усвоения, а также метод линейно - кусочной аппроксимации. По нашему мнению, в современные адаптивные системы обучения и контроля знаний следует включать несколько различных методов и моделей, чтобы преподаватель имел возможность выбрать метод проведения контроля и модель выставления оценки, отвечающие целям контроля и наиболее подходящие для отдельного или группы студентов.

Таблица 2. Модели оценивания и используемые параметры.

Модели оценки знаний Используемые данные
Параметры задания Параметры КЗ
1 Простейшая модель Число заданий; число правильных ответов
2 Модель, учитывающая время ответов Число заданий; число правильно выполненных заданий без превышения отведенного времени
3 Модель на основе уровней усвоения

Уровень усвоения УМ;

трудность и сложность УМ

Число правильно выполненных существенных операций; общее число существенных операций в заданиях
4 Метод линейно - кусочной аппроксимации Значимость, трудность, спецификация Число заданий; число попыток выполнения заданий; число обращений к справке; число заданий, выполненных с превышением отведенного времени; граничные значения
5 Модели на основе вероятностных критериев Сложность Число заданий; время ответа; априорная вероятность получения оценки; граничные значения; риски недооценки и переоценки
6 Модели на основе АВО - Число заданий; число попыток; число обращений к справке; точность сравнения

Список литературы

[Аванесов, 1998] Аванесов B.C. Композиция тестовых заданий. - М.: Адепт, 1998. – 217 с.

[Алексеенко, 1978] Алексеенко Е. А., Довгялло А. М., Косая И. Х. СПОК – система программирования и поддержания обслуживающих и обучающих курсов // Управляющие системы и машины. – 1978. – №2. – с. 127 – 128.

[Андреев, 2002] Андреев А.Б., Акимов А.В., Усачев Ю.Е. Экспертная система анализа знаний ”Эксперт-ТС” // Proceedings. IEEE International Conference on Advanced Learning Technologies (ICALT 2002). 9-12 September 2002. Kazan, Tatrstan, Russia, 2002, – p. 97 - 101.

[Артемов, 1999] Артемов А., Павлова Н., Сидорова Т. Модульно-рейтинговая система // Высшее образование в России. – 1999. –№4. –с. 121 – 125.

[Беспалько, 1977] Беспалько В.П. Основы теории педагогических систем. Проблемы и методы психолого-педагогического обеспечения технических обучающих систем. – Воронеж : Воронежск. ун-т, 1977. – 304 с.

[Беспалько, 1989] Беспалько В. П. Слагаемые педагогической технологии. – М.: Педагогика, 1989. – 192 с.

[Волков, 1984] Волков С.З. Алгоритм управления контролем знаний // Кибернетика и исследование операций в управлении учебным процессом: Тез. докл. – Рига: РПИ, 1984, – с. 67 – 70.

[Гладковский, 1997] Гладковский В.И., Гладыщук А.А., Панасюк И.М. Воспитательные функции рейтинговой системы оценки знаний (РСОЗ) // Высшая школа: состояние и перспективы. – Минск: РИВШ БГУ, 1997. – 107 с.

[Журавлев, 1978] Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. – 1978. – Вып. 33. – с. 5 –68.

[Зайцева, 1982] Автоматизированная обучающая система КОНТАКТ/ОС / Л.В. Зайцева, Л.В. Ницецкий, Л.П. Новицкий и др. – М.: Моск. науч.– учеб. центр СНПО “Алгоритм”, 1982. – 108 с.

[Зайцева, 1989] Зайцева Л.В., Новицкий Л.П., Грибкова В.А. Разработка и применение автоматизированных обучающих систем на базе ЭВМ. – Под ред. Л.В.Ницецкого. – Рига : “Зинатне”, 1989. – 174 с.

[Зайцева, 1989а] Зайцева Л.В., Новицкий Л.П., Прокофьева Н.О. Контроль знаний обучаемых с помощью методов линейно-кусочной аппроксимации и вычисления оценок // Методы и средства кибирнетики в упр. учеб. проц. высш. шк. – Рига: Рижск. политехн. ин-т, 1989, – с. 39 – 48.

[Зайцева, 1991] Зайцева Л.В. Методы контроля знаний при автоматизированном обучении. - Автоматика и вычислительная техника, 1991, Nr 4, с. 88 – 92.

[Зайцева, 2000] Зайцева Л.В. Некоторые аспекты контроля знаний в дистанционном обучении // Сборник научных трудов 4-й международной конференции ”Образование и виртуальность – 2000” – Харьков – Севастополь : УАДО, 2000, - с. 126 – 131.

[Зайцева, 2002] Зайцева Л.В., Прокофьева Н.О. Проблемы компьютерного контроля знаний // Proceedings. IEEE International Conference on Advanced Learning Technologies (ICALT 2002). 9-12 September 2002. Kazan, Tatrstan, Russia, 2002, – p. 102 - 106.

[Зайцева, 2003] Зайцева Л.В. Модели и методы адаптации к учащимся в системах компьютерного обучения // Educational Technology & Society. - Nr. 6(3), 2003. – с.204 – 212.

[Касимов, 1994] Касимов Р.Я.,Зинченко В.Я., Грантберг И.И. Рейтинговый контроль // Высшее образование в России. - 1994. - № 2 - с. 83–92.

[КИОС, 1992] Компьютерная интегрированная обучающая система (КИОС): Тамбов, ТГТУ/ Интернет. -http://mdcorpsoft.chat.ru/pss/pss27.html

[Лернер, 1996] Лернер И.Я. Развивающее обучение с дидактических позиций // Педагогика. - 1996. - № 2. - с. 7 – 11.

[Моисеев, 2001] Моисеев В.Б., Усманов В.В., Таранцева К.Р., Пятирублевый Л.Г. Статистический подход к принятию решений по результатам тестирования для тестов открытой формы // Открытое образование. – 2001. - №1 / Интернет. –http://www.mesi.ru/joe/N1_01/mo.html

[Пасхин, 1985] Пасхин Е.Н., Митин А.И. Автоматизированная система обучения ЭКСТЕРН. – М.: Изд-во Моск. ун -та, 1985. – 144 с.

[Попов, 2000] Попов Д.И. Способ оценки знаний в дистанционном обучении на основе нечетких отношений // Дистанционное образование. – 2000. – №6 / Интернет. –http://www.mesi.ru/joe/N6_00/popov.html

[Прокофьева, 2001] Прокофьева Н.О. Алгоритмы оценки знаний при дистанционном обучении // Образование и виртуальность - 2001. Сборник научных трудов 5-й Международной конференции. - Харьков - Ялта: УАДО, 2001, – с. 82 - 88.

[Прокофьева, 2002] Прокофьева Н.О. Сравнительный анализ алгоритмов оценки знаний // Интернет - Образование - Наука - 2002. Сборник научных трудов 3-й Международной научно-практической конференции. – Винница: ВГТУ, 2002. – с. 85 - 87.

[Растригин, 1979] Растригин Л.А. Обучение с моделью // Вопросы кибернетики. Человеко-машинные обучающие системы. - М.: АН СССР, 1979, – c. 40 - 49.

[Растригин, 1986] Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемого. - Рига : Зинатне, 1986. – 160 c.

[Свиридов, 1981] Свиридов А.П. Основы статистической теории обучения и контроля знаний. - М.: Высшая школа, 1981. – 262 с.

[Сельманова, 2001] Сельманова Н.Н., Максудова Л.Г., Абросимов В.В., Абросимов Д.В. Обучающе-аттестующая система по естественнонаучным дисциплинам // Труды международной научно-методич. конференции Телематика 2001. 18-21 июня 2001 г. – С-Петербург, 2001, - с. 85.

[Соловов, 1995] Соловов А.В. Проектирование компьютерных систем учебного назначения: Учебное пособие. Самара: СГАУ, 1995,- с.138.

[Соловов, 2002] Соловов А.В. Дидактика и технология электронного обучения в системе КАДИС // "Индустрия образования", №6.- М.: МГИУ, 2002, - с.54-64.

[Brusilovsky, 1999] Brusilovsky P., Miller P. Web-based testing for distance education // WebNet'99. ngs of AACE World Conference of the WWW and Internet.–Honolulu, HI, 1999, – p. 149 – 154.

[Byrnes, 1995] Byrnes R., Debreceny R., Gilmour P. The development of Multi-Choice and True-False Testing Environment on the Web // Ausweb95: The First Australian World Wide Web Conference. Southern Cross Univ. Press / Internet. – http://elmo.scu.edu.au/sponsored/ausweb/ausweb95/papers/education3/byrnes/

[Carbone, 1997] Carbone A., Schendzielorz P. Developing and integrating a Web-based quiz generator into the curriculum // WebNet’97. World Conference of the WWW, Internet and Intranet. AACE, 1997, – p. 90 - 95.

[Eliot, 1997] Eliot C., Neiman D., Lamar M. Medtec: A Web-based intelligent tutor for basic anatomy // Proceedings of AACE World Conference of the WWW, Internet and Intranet. WebNet’97, 1997, – p. 161 - 165.

[Galeev, 2002] Galeev I., Sosnovsky S., Chepegin V. MONAP-II: the analysis of quality of the learning process model // Proceedings. IEEE International Conference on Advanced Learning Technologies (ICALT 2002). 9-12 September 2002. Kazan, Tatrstan, Russia, 2002, – p. 116 - 120.

[Lee, 1997] Lee S.H., Wang C.J. Intelligent hypermedia learning system on the distributed environment // ED-MEDIA/ED-TELECOM’97. World Conference on Educational Multimedia / Hypermedia and World Conference on Educational Telecommunications. - AACE, 1997, – p. 625 - 630.

[Lord, 1980] Lord F.M. Application of Item Response Theory to Practical Testing Problems. Hillsdale N - J. Lawrence Erlbaum Ass., Publ. 1980, - 266 pp.

[Pesin, 2003] Pesin L. Knowledge Testing and Evaluation in the Integrated Web-Based Authoring and Learning Environment // Proceedings of the 3rd IEEE International Conference on Advanced Learning Technologies. ICALT 2003. – Athens, Greece, 2003. – P. 268 - 269.

[Rasch, 1977] Rasch, G. On Specific Objectivity: An Attempt ofFormalizing the Request for Generality and Validity of Scientific Statements / Danish Yearbook of Philosophy. 1977, v. 14, p. 58 - 94, Munksgaard, Copenhagen. - 216p.

[Rios, 1998] Rios A., Perez de la Cruz J.L., Coneo R. SIETTE: Intelligent evaluation system uzsing tests for TeleEducation // Workshop “WWW-Based Tutoring” at 4th International Conference on Intelligent Tutoring Systems (ITS’98) / Internet. –http://www-aml.cs.umass.edu/~stern/webits/itsworkshop/rios.html

[Rios, 1999] Rios A., Millan E., Trella M., J.L. P., Conejo R. Internet based evaluation system // Artificial Intelligence in Education : Open Learning Environments. – Amsterdam: IOS Press, 1999, - p. 387 – 394.

[WBT , 1999] WBT Systems (1999). TopClass 3.0, WBT Systems, Dublin, Ireland. http:www.wbtsystems.com/ (Accessed 5 July, 1999).

[WebCT, 1999] WebCT. World Wide Web Cource Tools 1.3.1. WebCT Educational technologies. – Vancouver, Canada / Internet. - http://www.wbtsystems.com

[Zaiсeva, 2000] Zaiсeva L., Kuplis U., Prokofjeva N. ОбучениевсредеИнтернет // Scientific Proceedings of Riga Technical University. Computer Science. Applied Computer Systems. – Vol. 3. – Riga : RTU, 2000, – р. 33 - 45. (налатышскомязыке)

[Zaitseva, 2003] Zaitseva L., Boule C. Student models in Computer-based Education // Proceedings of the 3rd IEEE International Conference on Advanced Learning Technologies. ICALT 2003. – Athens, Greece, 2003, – p. 451.




10-09-2015, 02:20

Страницы: 1 2
Разделы сайта