Delist.ru

Автоматизированная система распреленного контроля и анализа результатов аттестации персонала промышленных объединений (23.01.2009)

Автор: Макаренко Любовь Федоровна

3.2. Расчет «сырого» балла по блокам проводился по формуле:

3.3. Расчет итогового «сырого» балла проводился по формуле:

4. Окончательная количественная оценка знаний.

Окончательный балл рассчитывался с учетом условий проведения экзамена работников (необходимости адаптации).

Для расчета окончательных баллов соответствующие «сырые» баллы корректировались на повышающий коэффициент К=1,2:

по темам ЗУН т = ЗУН тc *1,2

по блокам ЗУН б = ЗУН бc *1,2

итоговый ЗУН и = ЗУН иc *1,2

Максимальное значение окончательного балла должно быть равно 100.

5. Проведение качественного анализа результатов экзамена с учетом полученных правильных ответов на теоретические и практические вопросы.

) показал, что наиболее многочисленными являются группы сотрудников в возрасте 41-50 лет (45%) и в возрасте 31-40 лет (31%). Самой малочисленной является группа сотрудников в возрасте до 25 лет (3%).

Распределение работников по возрастным группам

Для определения зависимости между уровнем системных профессиональных знаний работников и их возрастом был проведен корреляционный анализ. Результаты свидетельствуют о наличии слабой обратной связи между возрастом работника и его уровнем системных профессиональных знаний, которые были определены по результатам экзамена, как по отдельным блокам, так и по финансово-экономическому блоку в целом. Наибольшее значение коэффициента корреляции по модулю наблюдается по финансово-экономическому блоку в целом (-0,28), что тем не менее свидетельствует о наличии очень слабой обратной зависимости между возрастом работников и их уровнем системных профессиональных знаний. Следует отметить, что в рамках отдельных блоков знаний наибольшие по модулю значения коэффициента корреляции наблюдаются по блокам «Управление финансами» и «Экономика»; наименьшее значение – по блоку «Бухгалтерский учет и аудит», что говорит практически о полном отсутствии связи между возрастом работников и их уровнем системных профессиональных знаний.

Проведенный анализ представления результатов аттестационных показателей показал, что существует множество вариантов визуализации и методов аналитической обработки данных. Однако проблема заключается в различной конфигурации одних и тех же данных для различных методов аналитической обработки. Это ставит задачу адаптации OLAP-технологий для представления агрегированных данных аттестационных показателей.

 Разработка методики агрегирования показателей аттестации

Допустим, имеется m измерений с ni количеством членов в i-ом измерении, где i=1..m. Упорядочим существующие измерения и сопоставим каждому измерению порядковый номер i в соответствии с выбранной сортировкой. Обозначим множество таких порядковых номеров I, так что m = | I |.

Обозначим некоторое множество агрегатов через Al1…li…lm , где li({0,1}: выделим также такое подмножество порядковых номеров I0= {ik | ik(I & lik=0}, k=1…p, p(m. Тогда будем считать Al1…li…lm – множество агрегатов, полученных агрегированием по всем членам тех измерений, порядковый номер которых i(I0.

?i…lm, представляет состояние агрегации. Разные состояния агрегации, а, следовательно, и множества агрегатов могут соответствовать одному и тому же уровню детализации l = l1+…+li+…+lm.

Обозначим количество агрегатов множества Al1…li…lm, как al1…li…lm = |Al1…li…lm|. Для трёхмерного случая с учётом того, что i(C)=1, i(M)=2, i(T)=3 – порядковые номера измерений, получим:

. Количество всевозможных агрегатов равно сумме al1…li…lm при всевозможных вариантах последовательности l1,…,li,…,lm, исключая множество исходных данных. Всего таких вариантов 2m -1.

Из последнего выражения вытекает свойство:

которое приводит к следующему тождеству:

На выполнение агрегации некоторого множества значений показателей (агрегированных или исходных) до определенного результирующего множества агрегатов требуется определенное количество элементарных операций суммирования, которые необходимо осуществить для получения результирующего множества. Будем обозначать затраты на выполнение агрегирования множества Al1…li…lm по i-му измерению, как C(A(i, Al1…li…lm)) или более коротко C(i, Al1…li…lm). При этом C(i, Al1…l(i-1),0, l(i+1)…lm) = 0.

Представление множества агрегатов в виде сетевого графа

Пусть существует иерархия с l* уровнями, где nl – количество членов на l-ом уровне и nl<=nl+1 l = 1…l*-1. Тогда количество элементарных операций суммирования значений показателя, соответствующих l+1-му уровню, с целью получения агрегированных значений показателя l-го уровня равно nl+1 - nl.

В любое множество агрегатов Al1…li…lm (li E {0,… li*-1}) можно непосредственно перейти из другого множества Al1…li+1…lm, произведя операцию агрегирования по i-му измерению. При этом необходимо произвести соответствующие вычислительные затраты, откладываемые на рёбрах графа.

При этом справедливо следующее утверждение: В любую вершину графа Al1…li…lm можно попасть из другой вершины Al1’…li’…lm, если хотя бы одно из неравенств li’=> li , i = 1…m выполняется строго.

Для получения множества агрегатов определённого уровня, необходимо вначале получить множества агрегатов большего уровня детализации. Однако в отличие от процедуры предварительного формирования агрегатов при получении результирующего набора нет необходимости формировать всевозможные агрегаты определённого уровня детализации. Достаточно формировать по одному множеству определённого уровня на основе множества более детального уровня.

Предварительное и оперативное формирование агрегатов в сетевой модели

Такая процедура оперативного формирования обеспечит минимальное время выполнения пользовательских запросов. С другой стороны многое зависит и от множества предварительно сформированных агрегатов. Ясно, что они должны быть сформированы так, чтобы вычислительные затраты на оперативное формирование всевозможных множеств были минимальны. В этом и заключается оптимальность процедуры предварительного формирования агрегатов.

 Разработка метода классификации обучаемых с учетом априорной информации

Для классификации уровня знаний и навыков в работе предлагается использование байесовской процедуры, которая предполагает знание априорных вероятностей qi, т.е. вероятностей принадлежности испытуемого к некоторой группе Wi до выполнения процедуры тестового контроля.

Априорные вероятности qi представляют вероятности принадлежности обучаемого к группе Wi до прохождения теста. Апостериорные вероятности P(Wi|X) представляют условные вероятности соотнесения тестируемого с результатом X к некоторой группе после проведения тестового контроля и получения конкретных числовых значений правильных ответов.

Без знания предыстории обучаемого априорные вероятности можно положить равными. Знание предыстории тестируемого дает априорную вероятность его уровня знаний, которая может существенно увеличить точность решения задачи классификации, однако это должно быть согласовано с учетом психологических, этических и может быть воспитательных норм получения оценки.

Если X имеет многомерное нормальное распределение с плотностью f1(X) для первой группы и f2(X) для второй группы, то соотношение теоремы Байеса принимает вид:

и X(W2 в противном случае.

 Методы и модели переоценки сложности тестовых заданий

В третьей главе диссертации разрабатываются модели генерации результатов аттестации с последующей переоценкой сложности тестовых заданий. Для сравнительно анализа сложности тестов использовался дисперсионный анализ.

видна явная заниженность сложности пятого варианта теста (50% баллов попадает в зону от 70 до 100) и завышенность трудности 2-го варианта (50% баллов попадает в интервал от 0 до 25). Это естественный процесс отсеивания методически некорректных заданий.

- уровень знания i-го испытуемого.

загрузка...