CC BY
37
УДК. 37 (575.3):681.61.004
DOI: 10.26140/anip-2019-0801-0059
АНАЛИЗ ЭФФЕКТИВНОСТИ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ ПРИ ПОДГОТОВКЕ СТУДЕНТОВ-МЕДИКОВ В СИСТЕМЕ ДИСТАНЦИОННОГО ОБУЧЕНИЯ
© 2019
Раджабов Бахрулло Файзалиевич, кандидат педагогических наук, доцент, кафедры информационной технологии Бохтарский государственный университет имени Носира Хусрава (135140, Республика Таджикистан, Бохтар, улица Айни, 67, e-mail: [email protected]) Комилиён Файзали Саъдулло, доктор физико-математических наук, профессор, кафедра информатики Таджикский национальный университет (734025, Республика Таджикистан, Душанбе, проспект Рудаки, 17, e-mail: [email protected])
Аннотация. В данной статье авторы анализируют различные методы анализа компьютерного моделирования, модели Георга Раша и Арвед Бирнбаума, компьютерные средства, оценивающие уровень подготовки студентов-медиков в системе дистанционного обучения. Авторы констатируют, что использование элементов математического и компьютерного моделирования способствует не только формированию у них научного мировоззрения, но и делает их учебную деятельность более продуктивной. Компьютерное моделирование является одним из эффективных методов изучения математических задач. Часто компьютерные модели проще и удобнее исследовать, они позволяют проводить вычислительные эксперименты, реальная постановка которых затруднена или может дать определенный результат. Авторы отмечают, что полученный в исследовании теоретический и фактический материал по затронутым проблемам можно способствовать реализации ряда резервов по совершенствованию использования информационных технологий в обучении информационному моделированию студентов-медиков в рамках курса информатики.
Ключевые слова: компьютер, модель, подготовки, обучаемый, тест, тестирование, метод, индекс, ДО.
ANALYSIS TO EFFICIENCY OF COMPUTER MODELING WHEN PREPARING STUDENT-PHYSICIAN IN SYSTEM OF THE REMOTE EDUCATION
© 2019
Rajabov Bakhrullo Faizalievich, candidate of pedagogical sciences, associate professor, department of information technology Bokhtar State University of the named Nosira Husrava (135140, Republic of Tajikistan, Bohtar, street Ayni, 67, e-mail: [email protected]) Komiliyon Fayzali Sa'dullo, doctor of physics and mathematics sciences, professor, department of computer science Tajik National University (734025, Republic of Tajikistan, Dushanbe, avenue Rudaki, 17, e-mail: [email protected])
Abstract. In this article, the authors analyze various methods of computer modeling analysis, the models of George Rush and Arved Birnbaum, computer tools that evaluate the level of training of medical students in the distance learning system. The authors state that the use of elements of mathematical and computer modeling contributes not only to the formation of their scientific worldview, but also makes their learning activities more productive. Computer modeling is one of the effective methods for studying mathematical problems. Often, computer models are easier and more convenient to explore, they allow you to carry out computational experiments, the actual formulation of which is difficult or can give a certain result. The authors note that the theoretical and factual material obtained in the study on the issues raised can contribute to the implementation of a number of reserves to improve the use of information technology in teaching information modeling of medical students in an informatics course.
Keywords: computer, model, training, learner, test, testing, method, index, DO.
Интенсивное развитие компьютерных технологий в последние годы у нас в Таджикистане накладывает определенный отпечаток на развитие личности современного молодого человека.
В настоящее время проблема компьютерного моделирования при решении математических задач является одной из важнейших в педагогической науке. Ключевая роль при обучении компьютерному моделированию на уроках информатики на развитие творческих способностей студентов-медиков отводится образованию и осуществлению компьютерного моделирования, как одного из факторов развития творческих способностей учащихся при изучении математических задач.
Моделирование приобретает особое значение в педагогике, как метод познания окружающего нас мира, информационных процессов, протекающих в природе и обществе, и все большее значение приобретает изучение информационно-логического моделирования со студентами по курсу информатики как инструмента познания, средства обучения и объекта изучения. Это требует изучения проблемы информационного и информационно-логического моделирования в процессе обучения.
Метод моделирования широко используется во всех областях человеческой деятельности, в том числе и в учебной. Знакомство студентов-медиков с элементами математического и компьютерного моделирования спо-
собствует не только формированию у них научного мировоззрения, но и делает их учебную деятельность более осмысленной и продуктивной [19].
Кроме того, компьютерная модель является отражением общего в изучаемых явлениях, поэтому компьютерное моделирование представляет собой не частный приём усвоения знаний, а один из общих методов познания, применяемый в самых различных областях. Полученный в исследовании теоретический и фактический материал по затронутым проблемам можно способствовать реализации ряда резервов по совершенствованию использования информационных технологий в обучении информационному моделированию студентов-медиков в рамках курса информатики.
В последние годы широко развивается система дистанционного обучения (ДО), стремительно растёт рынок под названием «массовые открытые онлайн-курсы» [917]. Массовые открытые онлайн-курсы в виде систем ДО - это модели, посредством которых каждому человеку, желающему проходить дистанционное обучение и где не ограничивается посещаемость, передаётся образовательный контент онлайн. В этом вопросе, важным является следующее: в какой форме подаётся теоретический материал (короткое видео), каким способом оценивается усвоенный материал (автоматически или через партнёров, как самостоятельное оценивание), доступен
Раджабов Бахрулло Файзалиевич, Комилиён Файзали Саъдулло АНАЛИЗ ЭФФЕКТИВНОСТИ КОМПЬЮТЕРНОГО ...
ли всегда контент лучшим вузам планеты, а также можно ли общаться посредством форумов, чатов и многих других средств под названием «современные информационные технологии».
Массовые открытые онлайн-курсы забиты зарегистрированными и текущими участниками [18]. Несмотря на это, не все пользователи проходят эти курсы дистанционного обучения до конца. В некоторых трудах исследуются факторы, влияющие на количество обучающихся, прошедших эти курсы. Один из факторов включает в себя качественный механизм, оценивающий результаты курсов. Разработчиками курса должным образом рассматриваются проблемы автоматизированного тестирования с интеллектуальным оцениванием, как оценивание полученных знаний, потому что пользователи курсов - это люди, имеющие разные контекстуальные характеристики, разный уровень образования, разные культурные традиции. Каждое тестовое задание, контролирующее полученные знания, умения и навыки, не только соответствует требованию и цели учебного процесса, но и учитывает скорость усвоения материалов студентами-медиками и индивидуальную способность каждого обучаемого. Иначе, студент-медик, не справившийся с заданием, охладевает к учёбе [4].
Цель этой работы - продемонстрировать методы, модели и компьютерные средства, оценивающие уровень подготовки студентов-медиков в системе ДО.
1. Современные методы, оценивающие результаты тестирования
Знания и уровень подготовки студентов-медиков в системе ДО контролируется путём использования педагогического тестирования. В процесс тестирования для получения объективной, надёжной и устойчивой оценки необходимо улучшить качество каждого разработанного теста, потому что посредством тестов и тестовых заданий оцениваются латентные (скрытые) характеристики студентов-медиков [5]. Ныне результаты тестирования оцениваются математическим аппаратом классической или современной теории тестирования (см. на рис. 1).
Рисунок 1 - Анализы тестирования посредством теоретических подходов
Классическая теория в основном отличается особым подходом в оценивании студентов-медиков: результатом являются итоговые баллы по конкретным тестам. Классическая теория также отличается тем, что трудность тестовых заданий составляет основу тестовых баллов обучаемых, а основу трудности заданий выборка обучаемых. Используя классическую теорию, можно добиться прозрачности и ясности заключений. К тому же, достоверные результаты получаются при малой выборке (100 или меньше) обучаемых.
В современном тестировании совокупное взаимодействие латентных сторон, а именно истинный уровень подготовки студентов-медиков и сложность каждого рассматриваемого задания составляет основу итогового балла. Современное тестирование основывается на латентно-структурном анализе, основном методе определения латентного признака, т.е. оценивания уровня способностей студентов-медиков на основе каждого разработанного тестового задания с различным уровнем трудности [7]. Оцениваемые скрытые параметры должны быть одномерными (один тест - один фактор - тест на интеллект). Существуют латентные параметры (под-
готовленность обучаемого и уровень трудности заданий), с которыми связаны правильные ответы на тестовые задания.
Современное тестирование от классического тестирования отличается следующими компонентами: в современном тестировании пренебрегается решение таких проблем, как эмпирическая валидность и надёжность теста. Тест однофакторное, только одно свойство соотносится с ним, он априорно валиден. В классическом тестировании индивидуальные баллы являются некоторыми постоянными значениями. В современном тестировании сложность заданий и уровень подготовки обучаемого достигаются другими параметрами. Самыми известными являются модель Раша (с одним параметром) и модель Бирнбаума (с двумя и тремя параметрами).
Простая связь между студентами-медиками и заданием предоставляется дихотомической моделью Раша. Тестируемые студенты характеризуются уровнем способностей, которая выражается в форме чисел по шкале соответствующих способностей. Для физического измерения выбирают локальное начало шкалы. Уровень способностей тестируемых и сложность заданий связаны посредством дихотомической модели Раша:
Рп
(1)
в которой ¥ 1 - вероятность того, что студенты-медики, имеющие уровень способностей А, ответят правильно на задания имеющих сложность S, ¥0 вероятность того, что они ответят неправильно.
По данной модели строится логит, представляемый в качестве единицы измерений интервальной шкалы. Расстояние в логитах между обучаемым, имеющим 50% возможностей на правильный ответ при выполнении тестового задания (§р(50%+50%)=100), т.е. уровни способностей и сложностей заданий имеют одно и ту же точку на шкале, и обучаемым, имеющим 75% возможностей на правильный ответ (8р(75%+25%) = 1,1)} равен 1,1 логиту.
В уравнении правильный ответ из уравнения (1) имеет следующую вероятность:
= (2)
1
При использовании коэффициента 1,7 для совместимости моделей Раша и Фергюсона, в котором интеграл нормального распределения выражает возможность пра-
вильных ответов, получается следующее:
1,7*САр-СГ)
Р = __
РГ1 1+в1.7»[Лр-СГ)
(3)
Индекс р и идентификационный номер обучаемого соответствуют друг другу; г - строится в соответствии с идентификационным номером заданий.
Эта зависимость (3) представлена вероятным правильным ответом как функция однопараметрической модели современного тестирования. Корректно используя модель Георга Раша, отделяем оценку уровня подготовки обучаемых от оценки уровня сложности задания.
Но модель Георга Раша (с одним параметром) не применяется тогда, когда в тесте находятся задания, имеющие различную дифференцирующую способность и дискриминативность (задания способны выявить слабых и сильных обучаемых, а также дифференцируют обучаемых по уровню их подготовки).
По предложению Арвед Бирнбаума, данная проблема решается с введением ещё одного параметра - g:
гл>вх{Ар-Сг) (4)
р _
Дифференцирующая способность х определяется параметрам Ар. Чтобы более полно соответствовать эмпирическому данному, Бирнбаумом введён ещё один пара-
метр - коэффициент угадывания wz:
Существуют ещё четыре параметрические модели, включающие в себя дополнительный параметр - невнимательности Сг:
Но рассчитать все параметры четырёх параметрических моделей - очень сложная задача. Если последовательного алгоритма нахождения параметров модели можно получить для модели Георга Раша, то при нахождении параметров других моделей на основании метода под названием максимальное правдоподобие используем группу численных методов, для которых требуются значительные вычислительные ресурсы [1]. К тому же, чтобы оценить параметры современного тестирования предложены онлайн-модели, оценивающие более точно, но им подходит только двухпараметрическая модель Арвед Бирнбаума. На рисунке 2 мы показали характеристическую кривую четырёх параметрической моделей современного тестирования: а - это точка, в которой вероятный правильный ответ на задания равен 0,5 (см. на его характеристическую кривую, изображённую на рисунке 2). Иначе говоря, уровни сложности задания и подготовленности обучаемых (тестируемых) равны друг с другом; Ь - это точка асимптота, её угол наклона в отношении оси х - изображает дифференцирующие способности представленных вопросов; с - это точка асимптота, которая характеризует коэффициенты угадывания; d - это точка асимптоты, которая характеризу-
Рисунок 2 - Объёмный график изображения характеристической кривой четырёх параметрической модели
2. Общие принципы компьютерного адаптивного тестирования
Под компьютерным адаптивным тестированием понимается процесс автоматизированной оценки степени подготовленности обучаемых и системе ДО. Он адаптируется к способностям испытуемого и подразумевает собой тестовые задания с определённой сложностью. Теперь предоставим общие принципы осуществления компьютерного адаптивного тестирования.
Для начала мы подготовим банк с тестовыми заданиями, в котором эти тестовые задания расположены по степени их сложности. Самый распространённый вариант - это банк с дихотомическими заданиями, имеющими несколько вариантов ответа. У каждого задания есть свой уровень сложности, рассчитанный в соответствии с моделями современного тестирования. Теперь приведём пример тестового задания по геометрии. В целом диапазон, измеряющий уровень сложности тестовых заданий для всех тестов, равен от пяти до пяти логитов [7]. Допустим, что при утверждении «квадрат гипотенузы равен сумме квадратов катетов» уровень сложности равен одному логиту. Для обучаемых с уровнем способностей выше одного логита, данное утверждение - простое. Для обучаемых способность ниже одного ло-гита данное определение принимается очень сложно. Обучаемые, вероятность правильного ответа которых
равен 50%, имеют уровень способностей, равный одному логиту, т.е. уровень способностей равен уровню сложности заданий. Для каждого такого тестируемого данное задание - целевое.
На другом этапе мы определяем, как назначить то или иное задание в ходе компьютерного адаптивного тестирования. До начала основного тестирования, когда будет присутствовать администратор теста (преподаватель), передаём студентам-медикам (тестируемому) предварительные практические задания. Наша цель - узнать: насколько предлагаемый компьютерный тест сложен для обучаемого. Затем преподавателем или автоматически, в соответствии с заранее разработанным алгоритмом, назначается уровень способностей обучаемого (в основном предлагается средний уровень подготовленности).
Если мы заранее информированы об уровне способностей испытуемого, то уровень сложности стартового задания и уровень подготовки обучаемого должны соответствовать друг другу. Тогда обучаемый правильно решит это стартовое задание, не проявит невнимательность, не допустит ошибок.
Общий ход компьютерного адаптивного тестирования представляется в форме графика (рисунок 3). Здесь по оси абсцисс приводится каждый номер задания, по оси ординат уровни сложностей (с использованием ло-гитов).
Рисунок 3 - Назначение дихотомических заданий при компьютерном адаптивном тестировании
В этом примере (рисунок 3) допустим, что стартовое задание, предложенное студенту-медику обладает сложностью одного логита. По всей вероятности, обучаемому удастся решить стартовое задание. Затем, автоматическим способом, обучаемый приступает к решению более сложного задания, имеющего уровень 1,5 логита. Но обучаемому не удастся решить это задание. В связи с этим, обучаемому предоставляется задание, уровень сложности которого равен 1,25 логиту. В этом случае обучаемому удастся правильно решить задание. Вновь предлагается задание, уровень сложности которого равен 1,5 логиту. Обучаемому удастся правильно решить задание. Далее снова обучаемому преподносится задание, уровень сложности которого равен 1,75 логиту. Всё это продолжится до тех пор, пока не получим оценку уровня способности обучаемого [6]. Если обучаемый иногда правильно, а иногда неправильно решает задания, то тестовые задания достигнут максимального предела. В целом, для точного определения уровня способностей тестируемого нужно предложить большое количество заданий. Но тест можно проходить и с меньшим количеством этапов (этапы, их количество определяется преподавателем), это происходит в том случае, если тестовые задания обучаемый решает всегда правильно.
Для использования того или иного теста в ходе компьютерного адаптивного тестирования нужно соблюдать следующие условия: тест должен иметь одномерное свойство, т.е. каждое отдельное тестирование должно определяться латентными параметрами только в определённой сфере знания; тестовые задания должны быть расположены в соответствии с уровнем сложности, основываясь на модели современного тестирования; тестовые задания должны выбираться в соответствии с уровнем способностей тестируемого.
Раджабов Бахрулло Файзалиевич, Комилиён Файзали Саъдулло АНАЛИЗ ЭФФЕКТИВНОСТИ КОМПЬЮТЕРНОГО ...
Если ответы на тестовые вопросы не могут быть определены как «правильно» и «неправильно», то используются те или иные политомические задания.
Тогда варианты ответов на тестовые задания будут обладать своим определённым весом, характеризующим степенью близости ответов к правильным ответам [2]. Обычно, к политомическим заданиям относят тестовые задания, имеющие множество ответов, задания, имеющие открытое числовое решение.
Общий алгоритм компьютерного адаптивного тестирования продемонстрирован в рисунке 4. В процессе компьютерного адаптивного тестирования разделяются тестовые задания. Выделяются четыре основные этапы тестовых заданий. На первом (начальном) этапе процесса тестирования выбирается одно или несколько заданий. На втором этапе непосредственного тестирования тестовые задания выбираются последовательно с учётом повторного оценивания уровня способностей обучаемых после каждого ответа. На третьем этапе, называемом остановкой тестирования, будут определяться правила остановки компьютерного адаптивного тестирования. Четвёртый этап - это этап для предоставления окончательной оценки способностей обучаемого и, вероятно, предоставление другой информации о тестируемом.
Начальный Этап
этап тктироваммя
А 4-
Выбор и Оценка уровня
адмннистрмро предварительны*
ынне пемы* спкобносте-л
идэими теста V испытуемого
Ишенщие шаблета ответа Г л выбор и адмниистрмрова ние следующего ндання теста
Рисунок 4 - Алгоритм процесса компьютерного адаптивного тестирования
Выделяются следующие шаги адаптивного тестирования:
- оценка уровня способностей на основании уже существующих сведений (учитываются предыдущие ответы на задания). Предварительно оценивается уровень способности каждого участвующего в тестировании;
- выбирается такое тестовое задание, не отобранное ранее для обучаемого с использованием метода отбора и параметров задания (трудности, дискриминативности и т.д.);
- администрирование тестовых заданий для обучаемого, т.е. обновление шаблона ответов (отмечается: правильно или неправильно ответил на вопросы испытуемый);
- повторение 1-3 шагов. В данном алгоритме определяются методы, с помощью которых оценивается уровень способности обучаемого.
Различные модели и критерии оценивания включают в себя методы оценивания. Среди них выделяется метод максимального правдоподобия [6]. В этом случае подразумевается существование двух явлений - правильные и неправильные ответы на тестовые задания, и метод, на базе которого предполагается нормальное распределение ответов для других форм заданий.
В ходе отбора следующих заданий можно использовать другие эвристические алгоритмы, на почве которых находится теория байесовских сетей, теория нечёткой логики и т.д.
Можно говорить о существовании различных критериев отбора следующих тестовых заданий. К таким критериям относятся: максимальная информативность, минимальная ожидаемая последующая дисперсия, максимальное правдоподобие взвешенной информации, максимально ожидаемая информация, комбинированный случайный выбор.
Заключительный этап в адаптивном тестировании включает в себя использование одного из трёх правил, т.е. максимальную длину теста, требуемого величину точной оценки - обучаемый с устойчивостью отвечает на каждое задание с данным уровнем сложности или тестируемый классифицируется.
Максимальная длина теста задаётся администратором, т.е. с учётом типов и цели тестирования, требования к точной оценке определяют максимальное количество тестовых заданий. Небольшое количество тестовых заданий не даёт достоверную оценку уровня способности обучаемого, из-за слишком большого теста тестируемые устанут и допустят большое количество ошибок, потеряв концентрацию внимания.
При определении величины точности мы опираемся на стандартные ошибки оценивания уровня способности. Администратор тестов также определяет пороговое значение в соответствии с видом и целью тестирования.
Критериями классификации мы пользуемся в том случае, если цель тестирования заключается в классификации тестируемых, а не в оценивании способности каждого из них т.е. если пороговое значение способности испытуемого достигнуто и нет нужды в продолжении тестирования [3].
Завершающий этап тестирования - это подведение итогов оценивания уровня способностей обучаемого на почве полученных ответов адаптированных тестов. Стандартные ошибки и результаты оценивания мы отображаем в выбранных шкалах оценивания, например, мы используем не логиты, а шкалу 0.. .100 баллов. На завершающем этапе мы пользуемся различными методами в оценке параметров.
В связи с этим, как программный инструментарий для оценивания качества и формирования каждого тестового задания, моделирования хода компьютерного адаптивного тестирования были выбраны программная продукция R, библиотеки Ltm и библиотека catR. В таком выборе главным является доступное программное обеспечение, так как среди R - свободная программная среда вычисления, имеющая открытый исходный код. Особенность R - это возможная интеграция в другую программную среду (Microsoft Excel).
Приведём пример оценивания качества дихотомического тестового задания и моделирования процесса компьютерного адаптивного тестирования в среди R. Мы привели спринт программного кода для оценивания параметров тестового задания и построения характеристической кривой в среди R и простой пример моделирования процессов компьютерного адаптивного тестирования на почве банка с тестовыми заданиями.
Данная программа рассчитана на сложность тестового задания и оценки параметров той или иной модели. На рисунках 5, 6 продемонстрирована характеристическая кривая тестового задания по модели Раша и модели Бирнбаума с двумя параметрами. Становится ясно, что в тестах есть вопросы с различным уровнем трудности и имеющие различную дифференцирующую способность.
Ï 2 S \ * 1 ■ f 1 t \ 10 12 Id
Рисунок 5 - Характеристическая кривая тестового задания модели Георга Раша с одним параметром
Далее приведём в качестве примера программный код работы с пакетом catR, позволяющим промоделировать процесс компьютерного адаптивного тестирования. Итоги моделирования продемонстрированы на рисунке
7.
Из диаграммы 7 становится ясно, что при выполнении каждого тестового задания количество стандартных ошибок становится меньше, а уровень способности будет находиться в соответствии с истинным установленным значением.
1
и.а и,б 0.1
У
о ; ! i 1 Г I l цГ Г" к
а -0.2 ■0,1 -0.6 -0.S
Рисунок 6 - Характеристическая кривая тестового задания модели Арвед Бирнбаума с двумя параметрами
При уменьшении верхнего значения доверительного интервала до двух прекратится процесс тестирования.
t i 1! _ !
I
Ii rf V 1 s
4 2 - жтинны in уценена спаго&юсп к обучаемых J -■ - 1 - [löpflr Н**кифиг1*ияа
/ \ \ /
ч V s I / 5
a i
T
Рисунок 7 - Лепестковая диаграмма итогов компьютерного моделирования адаптивного тестирования
Основой целью компьютерного моделирования является изучение объектов и возможность предсказания их поведения в различных условиях. Очень часто провести реальный эксперимент либо невозможно, либо такой эксперимент может нанести большой вред окружающей среде, либо он очень дорог. В таких случаях компьютерное моделирование и связанный с ним численный эксперимент оказывается незаменимым средством получения достоверной информации об изучаемом объекте.
По нашему мнению, необходимы учебники, в которых учтён современный уровень программного обеспечения и уровень развития вычислительной техники. Кроме того, по мере развития методов математического моделирования, все более актуальными и востребованными становятся методы решения математической модели, которые помогают в подготовке специалистов медицинского направления.
СПИСОК ЛИТЕРАТУРЫ:
1. Комилов Ф., Косимов И. Имитационная модель динамики экосистемы макрофитного рыбоводного пруда — LAP LAMBERT Academic Publishing (Project ID: # 130070), 2015. — 135 с.
2. Комилов Ф.С., Раджабов Б.Ф. Информационные технологии в системе среднего профессионального медицинского образования: Монография. М.: Душанбе, Издательский центр «Ирфон». 2016. — 222 с.
3. Комилов Ф.С., Раджабов Б.Ф. Телемедицина как вариант внедрения дистанционного образования в медицинских образовательных учреждениях Таджикистана // Вестник Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых. Серия: Педагогические и психологические науки. 2018. № 33 (52). С. 64-71.
4. Комилов Ф.С., Раджабов Б.Ф. Анализ эффективности реализации дидактического обеспечения на основе ИКТ в образовательном поцессе среднего специального медицинского образования (ССПМО) Таджикистан // Вестник Таджикского национального университета. Серия гуманитарных наук. 2015. №3/8 (182). С. 282-290.
5. Комилов Ф.С., Раджабов Б.Ф. Современные информационные технологии в образовательном пространстве медицинского колледжа: проблемы и перспективы // Вестник Московского государственного областного университета. Серия: Педагогика. 2018. №1. С. 141— 147.
6. Раджабов Б.Ф., Комилов Ф.С. Современные информационные методы дистанционного обучения в медицинских вузах Таджикистана
// Вестник Таджикского национального университета. 2018. № 2. С. 305-310.
7. Комилов Ф.С., Раджабов Б.Ф. Роль компьютерного тестирования в оценке качества подготовки студентов медицинского вуза Таджикистана // Вестник Северо-Осетинского государственного университета имени Коста ЛевановичаХетагурова. 2017. № 4. С. 97101.
8. Раджабов Б.Ф., Мирзоев Д.Х. Современные информационные технологии и дистанционное обучение в системе образования Республики Таджикистан // Вестник Курган-Тюбинского государственного университета имени Носира Хусрава. 2017. №1/3 (47). С.148-152.
9. Богданова А.В., Кондаурова И.К. Основные аспекты проблемы эффективной оценки качества учебных курсов, применяемых в дистанционном обучении // Балтийский гуманитарный журнал. 2016. Т. 5. № 4 (17). С. 168-170.
10. Стефанова Н.А., Ахунова З.Р. Взгляд работодателя на «on-line специалиста» или качество дистанционного обучения // Карельский научный журнал. 2017. Т. 6. № 4 (21). С. 102-104.
11. Богданова А.В., Глазова В.Ф., Коновалова Е.Ю. Интеллектуальные технологии оценки качества дистанционных учебных курсов в высшем образовании //Балтийский гуманитарный журнал. 2017. Т. 6. № 1 (18). С. 79-82.
12. Готлиб А.С. Онлайн - образование в оптике преподавателей российской высшей школы // Карельский научный журнал. 2016. Т. 5. № 4 (17). С. 230-233.
13. Гущина О.М., Очеповский А.В. Психологические измерения для оценки эффективности онлайн курса в системе E-learning // Балтийский гуманитарный журнал. 2017. Т. 6. № 4 (21). С. 301-304.
14. Дроздова И.Л. Роль электронных учебных пособий в образовательном процессе курса ботаники // Карельский научный журнал. 2018. Т. 7. № 3 (24). С. 13-16.
15. Рогова Н.Н. Применение массовых открытых онлайн курсов для организации самостоятельной работы студентов // Балтийский гуманитарный журнал. 2017. Т. 6. № 4 (21). С. 390-392.
16. Ваганова О.И., Смирнова Ж.В., Трутанова А.В. Возможности электронной среды moodle в привлечении абитуриентов вуза // Карельский научный журнал. 2017. Т. 6. № 2 (19). С. 13-15.
17. Евстропова Н.С., Опарина К.С. Использование технологии массовых открытых онлайн-курсов при обучении иностранному языку в неязыковом вузе // Балтийский гуманитарный журнал. 2018. Т. 7. № 2 (23). С. 224-226.
18. Попова Е.В., Хамидова Д.Н., Неелов И.М., Комилов Ф.С. Компьютерное моделирование взаимодействия лизинговых дедриме-ров со стопкой амилоидных пептидов // Научно-технический Вестник информационных технологий, механики и оптики (Санкт-Петербург). 2017. № 6 (17). С.1033-1044.
19. Сафаров М.В. Компьютерное моделирование как важный фактор формирования творческих способностей учащихся при изучении математических задач. Монография. М.: Душанбе, Издательский центр «Андалеб-Р», 2015. — 96 с.
Статья поступила в редакцию 19.11.2018 Статья принята к публикации 27.02.2019
