Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ
ИНФОРМАТИЗАЦИЯ ОБРАЗОВАНИЯ
И ДИСТАНЦИОННОЕ ОБУЧЕНИЕ В СНГ
Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ  

Страны
Азербайджанская Республика
Республика Армения
Республика Беларусь
Республика Казахстан
Кыргызская Республика
Республика Молдова
Российская Федерация
Республика Таджикистан
Туркменистан
Республика Узбекистан
Украина

Типы материала
Информационно-коммуникационные технологии
Дополнительные информационные материалы
Нормативно-правовое обеспечение
Организация и методики обучения
Экономика образования
Межгосударственное сотрудничество
Образовательные центры
Методики обучения
Межвузовское сотрудничество
Повышение квалификации
Международные проекты и гранты, конкурсы
Конференции, симпозиумы, семинары и др.
Библиотека
 
Журнал «Вестник РУДН» серия «Информатизация образования»
 
2014, №4
2014, №3
2014, №2
2014, №1
2013, №4
2013, №3
2013, №2
2013, №1
2012, №4
2012, №3
2012, №2
2012, №1
2011, №4
2011, №3
2011, №2
2011, №1
2010, №4
2010, №3
2010, №2
2010, №1
2009, №4
2009, №3
2009, №2
2009, №1
2008, №4
2008, №3
2008, №2
2008, №1
2007, №4
2007, №3
2007, №2-3
2007, №1
2006, №1(3)
2005, №1(2)
2004, №1
Научные и специальные электронные ресурсы
Учебная, научная и специальная литература
Комиссия по дистанционному обучению совета по сотрудничеству в области образования государств-участников СНГ
Новости

Построение системы оценки качества знаний на основе этапов системного анализа


Аннотация
В статье рассматривается построение модели системы оценки качества знаний с использованием этапов системного анализа. Предлагается обобщённая модель, структура и своя модель системы оценки качества знаний.

Текст документа

Увеличение сложности и информативности образовательных программ и возрастание важности аспектов оперативности и качества управления образовательным процессом требуют внедрения систем обработки информации и поддержки принятия решений. В связи с этим все большее значение приобретают средства компьютерной поддержки, которые способны увеличить скорость обратной связи учебного процесса с его управлением. На данный момент в исследовательских работах уделяется внимание программным оболочкам проведения тестирования, системам построения баз данных, но общей системы оценки качества знаний не существует.

Выделим следующую последовательность этапов системного анализа опираясь на [1,2,3]:

1. Определение целей.

2. Определение проблемы.

3. Определение целей системы.

4. Формирование критериев оценки системы.

5. Анализ системы.

6. Построение обобщённой модели системы.

7. Определение инструментов создания системы.

8. Синтез системы.

9. Реализация системы.

Для построения СОКЗ (Система оценки качества знаний) проведём исследование согласно выделенной последовательности этапов системного анализа.

Целью образовательной технологии является стандартная система знаний обучающихся. Для достижения данной цели необходимо решения ряда задач, одной из которых является совершенствование управления учебным заведением. Основными направлениями улучшения управления учебными заведениями является объективность и полнота обратной связи, основным компонентом которой является мониторинг качества образования. Возникает необходимость разработки математического, информационного и программного обеспечения для оценки качества обучения на уровне образовательного учреждения, соответствующего современным требованиям образовательного процесса. Соответственно, проблема состоит в субъективности и недостаточной полноте обратной связи, а также отсутствием современного информационного обеспечения в системе управления образовательным процессом, как с точки зрения преподавателя, так и с точки зрения органов управления.

Главной целью создания СОКЗ является обеспечение более эффективной объективной обратной связи. В свою очередь, достижение данной цели невозможно без решения следующих задач:

1) Обеспечение технической поддержки контрольно оценочной системы.

2) Обеспечение информационной поддержки мониторинга знаний обучающихся.

Для оценки эффективности решения поставленных задач выделены следующие критерии:

1) Гибкость системы, то есть способность подстраиваться под изменяющиеся условия модернизации образования, и изменяющиеся цели обучения.

2) Многозадачность, то есть способность системы давать ответ на несколько поставленных вопросов.

В общей сложности задача оценки качества знаний сводится к построению некоторой модели портрета выпускника и портрета модели обучающегося посредством моделирования и контрольно оценочного процесса соответственно, а затем сравнение этих моделей и выявление недостатков в обучении. Под портретом, в данном случае, понимается множество навыков и знаний, обобщённых количественными характеристиками.

В математической форме можно представить портрет следующим образом (формула 1), где

n – вес множества P,

Ri – множество характеристик портрета, каждому элементу множества R соответствует элемент множества S,

Ai –минимальное возможное значение характеристики Ri,

Bi – максимальное возможное значение характеристики Ri.

Таким образом, имеются множество портретов учащихся и эталонный портрет выпускника.

F(Petalon) сравнивается с Pi, где

Petalon – эталонный портрет выпускника,

P – множество портретов обучающихся,

F(Petalon) – функция приведения эталонного портрета к текущему портрету обучающегося.

Возможно и прогнозирование знаний обучающегося на основе текущего портрета.

Fp(Petalon) сравнивается с Fpt(Pi),

где

P – множество портретов обучающихся,

Petalon – эталонный портрет выпускника,

Fp(Petalon) – функция преобразования эталонного портрета к эталонному портрету прогнозируемых характеристик,

Fpt(Pi) – функция преобразования текущего портрета обучающегося к прогнозируемому портрету.

На основании целей системы и решаемых задач построена обобщённая модель системы Рисунок 1.

Выбор инструментов для решения  задачи определяет эффективность. В качестве методов контроля выбрано тестирование.

В зависимости от вида априорной неопределенности и количества эмпирических данных могут быть использованы различные подходы к решению задачи синтеза системы обработки информации. Наибольшие результаты достигнуты в условиях, когда известна физически параметризованная модель (характеристика вход выход системы) и объем выборки позволяет получить достаточно точные оценки параметров [4, 5, 6].

Параметрические методы работоспособны, когда используемое предположение о выбранном виде модели корректно. Во многих ситуациях параметрическая модель неизвестна, и это определяет необходимость использования при восстановлении зависимостей класса функций, обладающих высокой аппроксимирующей способностью. Классические непараметрические методы, например, непараметрическая ядерная оценка регрессии, могут применяться, когда объем выборки велик. В условиях малых выборок классические непараметрические методы становятся неэффективными, что и определяет необходимость разработки новых методов обработки информации.

Таким образом, для повышения качества обработки ??нформации необходимо, чтобы разрабатываемые методы были эффективны в условиях конечных, в том числе малых выборок. Кроме того, необходимо снять ограничение свойственное классическим параметрическим методам, то есть обеспечить возможность формирования характеристики вход-выход синтезируемой системы из представительного множества функций (в общем случае из множества всех непрерывных функций).

Задача создания СОКЗ связана со следующими трудностями:

- 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.

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

Задача представления функций многих переменных в виде суперпозиции функций меньшего числа переменных восходит к тринадцатой проблеме Гильберта [7]. В результате многолетней научной полемики между А. Н. Колмогоровым и В. И. Арнольдом был получен ряд важных теоретических результатов, опровергающих тезис о непредставимости функции многих переменных функциями меньшего числа переменных. К этим результатам относятся следующие теоремы: о возможности представления непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций меньшего числа переменных (1956 г.); о представлении любой непрерывной функции трех переменных в виде суммы функций не более двух переменных (1957 г.); о представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения (1957 г.) [8, 9]. Основной результат заключается в том, что любую непрерывную функцию переменных можно представить в виде суммы 2m+1 функции одного переменного (формула 2)

где gf(a) - функция одного переменного, вид которой зависит от функции f(x1,...,xm).

Позже для различных видов нейронных сетей были доказаны теоремы об их универсальной аппроксимирующей способности, то есть возможности аппроксимировать разнообразные функции с требуемой точностью [10, 11, 12, 13].

Сигнал на выходе многослойной нейронной сети  определяется ее характеристикой вход-выход, которая представляет собой нелинейную функцию векторного входного сигнала х. Вид характеристики вход-выход  зависит как от значений параметров сети  (совокупности весовых коэффициентов связей между нейронами), так и от структуры нейронной сети (количества нейронов, количества слоев, наличия связей между отдельными нейронами).

При решении задач обработки информации должна быть определена структура нейронной сети и значения параметров .

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

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.

Таким образом, на основании задач разработана следующая структура СОКЗ Рисунок 2.

На основе произведённого анализа и выделенных структур построим модель СОКЗ в виде IDEF0 диаграмм, которые показаны на Рисунках 3,4.

Таким образом, с использованием этапов системного анализа предложена обобщённая модель, структура, модель системы оценки качества знаний и выделены основные подсистемы.

 

1. Антонов, А.В. Системный анализ. Учеб. для вузов/А.В. Антонов. - М.: Высш. шк., 2004. - 454 с: ил.

2. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа: Учеб. Изд 2-е, перераб. и доп. - СПб.: СПбГТУ, 1999. - 512 с.

3. Спицнадель В.Н. Основы системного анализа: Учеб. пособие. - СПб.: Бизнес- пресса, 2000. - 560 с.

4. Айвазян С.А., Енюков И.С, Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей / Под ред. С.А. Айвазяна. - М.: Финансы и статистика, 1985. - 487 с.

5. Левин Б.P. Теоретические основы статистической радиотехники. - 3-е изд. - М.: Радио и связь. - 1989. - 656 с.

6. Льюнг Л. Идентификация систем. Теория для пользователя: Пер, с англ, / Под ред. ЯЗ. Цыпкина. - М.: Наука. Гл. ред. физ.-мат. лит., 1991.-432 с.

7. Головко В.А. Нейронные сети: обучение, организация, применение. Кн.4 / Общ. ред. А.И. Галушкина. - М.: ИПРЖР, 2001. - 256 с.

8. Арнольд В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. - 1957. - № 4. - С. 41 - 61.

9. Колмогоров А.Н. О представлении непрерывной функции нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения // Доклады АН СССР. — 1957. - Т. 114, № 5. - С. 953 - 956.

10. Cybenko G. Approximation by supeфositions of sigmoidal function // Mathematics of control, signal and systems. - 1989. - V. 2. - P. 304 — 314.

11. Hecht-Nielsen R. Neurocomputing. - Mass.: Addison Wesley, 1992. - 433 p.

12. Hornik K., Stinchcomb M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. - 1989. - V. 2, N. 5. - P. 359-366.

13. Park J., Sandberg I.W. Universal approximation using radial basis function networks // Neural Computation. - 1991. - V. 3, N. 2. - P. 246 - 257.

Автор оригинала: Жуйков В.В.
Источник оригинала: Журнал «Вестник РУДН» серия «Информатизация образования», 2008, №3

Новости
16.06.2017

Российский университет дружбы народов объявляет о проведение первой волны вступительных испытаний среди иностранных граждан для обучения на программах магистратуры на контрактной основе. Первая ...

13.10.2016

26 октября-27 октября 2016 года Российский университет дружбы народов проводит Международную конференцию «Сетевые университеты и международный рынок труда (пространства БРИКС, СНГ, ШОС)».

19.05.2016

The Peoples’ Friendship University of Russia (PFUR) announces the beginning of admission of foreign citizens who graduated from Bachelor and Specialist Degree programs of PFUR and other Russian and ...

19.05.2016

Российский университет дружбы народов (РУДН) объявляет о наборе иностранных граждан -выпускников бакалавриата и специалитета РУДН и других российских и зарубежных ВУЗов на программы магистратуры на ...

11.12.2015

Проект рекомендаций Семинара-совещания научной общественности по проблемам международного научно-технического и образовательного сотрудничества