Delist.ru

Автоматизация подготовки персонала промышленных предприятий с использованием объективно-ориентированной интегрированной обучающей среды (26.11.2010)

Автор: Пашков Даниил Александрович

Анализ и оценка знаний в целом по УК.

Были сформулированы их цели и решаемые на каждом из них задачи.

Проведен сравнительный анализ ряда методов контроля знаний, таких, как: стандартный (балльный и процентный), иерархический многоуровневый тест. На основе анализа, принимая во внимание требования к ИООС, был разработан алгоритм адаптивного тестирования.

Используются четыре основных типа тестов: входной, для самоконтроля, контрольный и финальный.

Цель входного тестирования – предварительно выяснить знания обучаемого по каждому из модулей курса и «настроить» модель обучения (МО) для дальнейшего контроля знаний. В ходе этого теста выясняется уровень усвоения материала и рейтинг для каждого из разделов (модулей) УК.

???????$??$???????N ?????????????????$??$?????????N?ка результатов и правильные (в случае ошибок) ответы с объяснениями. Выставляется интегральная оценка, которая отражает рейтинг на каждом из уровней усвоения. Различают пять уровней усвоения материала: понимание (? = 0), опознание (? = 1), воспроизведение (? = 2), применение (? = 3), творчество (? = 4).

Контрольное тестирование ставит своей целью путем наименьших затрат оценить знания обучаемого наиболее точным образом.

Адаптивность обучения определяется тем, что при выдаче заданий должны учитываться знания, которыми располагает обучаемый, качество их усвоения и степень знания. Следовательно, при выдаче задачи в системе учитываются два критерия:

- раздел или область знаний, к которой относится задача;

- сложность задачи.

Для определения необходимой сложности задачи вводится интегрированный показатель знаний ученика. Таким показателем является рейтинг, который учитывает общий уровень знаний ученика по курсу и позволяет при тестировании выдавать задачи, уровень сложности которых соответствует уровню знаний ученика.

Рейтинг формируется в процессе решения задач: увеличивается в случае успешного решения и уменьшается в случае неуспешного. При формировании рейтинга учитывается также сложность задачи (вопроса).

В ходе тестирования проводится проверка корректности оценки, полученной в ходе контрольного тестирования, и возникает вероятность ее изменения при условии демонстрации лучших или худших знаний. ER-диаграмма системы обучения и тестирования представлена на рис.4.

Таким образом, данный метод позволяет измерять как обширность, так и глубину усвоения знаний испытуемыми, объективно ранжирует их в зависимости от качества знаний.

Рисунок 4. ER-диаграмма системы обучения и тестирования.

В третьей главе решается задача разработки методов и алгоритмов анализа учебных фрагментов (учебной информации).

Так как число групп, получаемых в результате классификации, заранее не известно, а размерность УФ велика, то наиболее эффективными методами классификации УФ являются методы кластерного анализа.

Следует отметить, что цели анализа УФ соответствует не точное число кластеров с определенными элементами в каждом из них, а некоторое приближенное разбиение, дающее администратору системы (автору курса) представление об устойчивых группах, близких по свойствам учебных фрагментов. Так как процесс анализа УФ может повторяться многократно, то важно, чтобы имелась возможность провести классификацию обоснованным, надежным и экономным способом.

Этим требованиям полностью удовлетворяют динамические методы кластерного анализа, нашедшие широкое применение во многих областях научных исследований.

В диссертации разработан также динамический алгоритм кластеризации, основанный на методах k- средних и ISODATA. На вход алгоритма подается Z – множество анализируемых фрагментов, ||Uij|| - матрица коэффициентов различия учебных фрагментов, К – начальное количество кластеров, Sp1 - пороговый внутрикластерный коэффициент различия, Sp2 – пороговый межкластерный коэффициент различия, СImax – максимальное количество кластеров.

Алгоритм реализует начальную кластеризацию по методу k-средних, далее осуществляется динамический процесс реорганизации кластеров.

При этом, реорганизация кластеров осуществляется по двум параметрам:

- внутрикластерный коэффициент различия;

- межкластеный коэффициент различия;

- соответствующие коэффициенты различия.

Общая схема алгоритма заключается либо в поиске возможного размещения элемента в существующих кластерах, либо в организации нового кластера. Далее пересматривается другой процесс, а именно возможность слияния кластеров.

Общий алгоритм реализован в виде динамического алгоритма кластеризации. Алгоритм входит в состав общей методики (процедуры) анализа УФ. Методика включает следующие шаги:

Начальное задание параметров процесса кластеризации.

Исследование возможности проведения разбиения УФ с помощью методов иерархической кластеризации

Запись данных и параметров в БД.

Выбор системы рациональных параметров.

Проведение динамической кластеризации.

Запись результатов в БД.

Данная совокупность шагов обеспечивает комплексный анализ УФ.

Точность методов анализа составила 14-18%.

Время работы алгоритма классификации УФ превышает 10-20 мин. На компьютере с процессором Pentium 4 (Рис.5). Для алгоритма вектора спада важно исследование границ пороговых параметров (Рис.6). Исследования показали, что данную область можно найти, меняя один из параметров Sp1, или Sp2 при обычном алгоритме классификации.

Полученные величины являются приемлемыми и, таким образом, разработанные методы могут быть практически применимы для задач анализа фрагментов учебной информации в ИООС.

Рис. 5. Зависимость времени счета программы динамической кластеризации от

количества анализируемых учебных фрагментов

Рис. 6 Зависимость времени счета программы динамической кластеризации от

Страницы: 1  2  3  4  5  6  7