CC BY
85
Теория и методика профессионального образования
г-
45
М.Е. Вайндорф-Сысоева, Н.Ю. Фаткуллин, В.Ф. Шамшович
Исследование результатов обучения учащихся как нелинейной проекции профессиограмм преподавателей -важный этап формирования кадрового состава системы дистанционного обучения
В исследовании проверяется выдвинутая педагогическая гипотеза о существовании сложных множественных связей между профессиограммой преподавателей и результатами их профессиональной деятельности с конкретными учебными группами по фиксированной дисциплине. Результаты исследования наглядно демонстрируют наличие устойчивых связей между кластеризацией преподавательского состава и частотами выставления оценок учащимся. Ключевые слова: профессиональная компетентность, балльно-рейтинговая система, результаты обучения учащихся, электронное обучение, дистанционное обучение.
Совокупность профессиональных компетенций, способностей и личностных качеств преподавателя в своем синтезе формируют индивидуальный стиль его профессиональной деятельности [1; 6], оценкой результатов которой могут служить как статические, так и динамические показатели успешности учебного процесса, выраженные в их балльной оценке. Таким образом, закономерно предположить существование сложных множественных нелинейных связей между профессиональными качествами и характеристиками преподавателя (профессиограмма)
к и результатами его профессиональной деятельности с конкретными 11 учебными группами по фиксированной дисциплине. Более того, как пра-| § вило, единое множество членов формального коллектива (кафедра, лабо-| о ратория, отдел и т.д.) подразделяется на подмножества (малые группы) о§ по тем или иным признакам общности, например, по индивидуальному ^ | стилю преподавания, идентифицируемому, в частности, по результатам 8 обучения учащихся.
Данная постановка задачи становится особенно актуальной в пери-| од формирования кадрового состава системы дистанционного обучения вуза, основой для которого, как правило, является существующий профессорско-преподавательский состав, поскольку наряду с компетентностью в сфере информационно-компьютерных технологий (ИКТ) [2-4; 8; 9] необходимо учитывать и множество других важнейших факторов, например, индивидуальные психологические качества, такие как педагогическая направленность психических процессов, эмпатия и т.п. [7]. Несомненен тот факт, что наличие лишь технической и академической грамотности преподавателя системы дистанционного обучения, при одновременно низком уровне коммуникативности, эмоциональной отзывчивости, неумении создать благоприятную психологическую обстановку, позитивно мотивировать учащихся на изучение и усвоение материала дистанционного курса почти наверняка приведет к отрицательным результатам процесса обучения.
Поэтому в качестве входных параметров были выбраны параметры профессиограммы - характеристики профессиональной компетентности, способностей и личностных качеств преподавателя. Основой входных данных послужили данные систематического анкетирования учащихся с целью оценки соответствующих качеств преподавателя. В качестве выходных параметров были выбраны относительные показатели изменения балльных оценок учащихся за период с первого по второй семестр обучения. Балльные оценки были выбраны как традиционные количественные показатели качественных достижений учащихся. Относительные показатели (%) выбраны потому, что они, в отличие от абсолютных, не привязаны к таким варьируемым показателям, как численность учебной группы. Показатели разбиты по баллам, т.е. анализируются изменения экзаменационных оценок второго семестра по сравнению с результатами первого семестра по категориям оценок: от 2 до 5. Кроме того, анализировалось относительное изменение (%) группового среднего балла. Положительное изменение % группового балла можно трактовать как наличие положительной динамики в процессе усвоения учебного материала данной учебной группой в целом. Отрицательное изменение может свиде-
тельствовать о нескольких процессах: преобладающем отрицательным к настрое учащихся учебной группы, слабой методикой изложения учебно- о го материала со стороны преподавателя и других причинах. Отрицательная или положительная динамика изменения доли конкретных оценок в общей их массе служит более детальным описанием процесса освоения учащимися учебного материала. §
Наиболее рациональным в данном случае представляется использова- ¿= ние нейронных сетей [3; 8], которые являются, по сути, ассоциативными моделями, настраивающими алгоритм анализа под новые наблюдения и позволяющие объяснить довольно сложные нелинейные связи между входными и выходными параметрами. При отсутствии четко формализованной исходной гипотезы, имеющей, как правило, трудно описываемые нелинейности, классические корреляционно-регрессионные модели малоприменимы [5].
В то же время, непосредственное применение нейронных сетей моделирования при проверке выдвинутой педагогической гипотезы на репрезентативной выборке данных балльно-рейтинговой системы не дало ожидаемого эффекта - прогнозирующие и классифицирующие свойства модели были достаточно слабы, поэтому было принято решение о принудительном разделении исходного множества преподавателей на некоторое число подмножеств - кластеров. Количество кластеров определяется эмпирически, главный принцип - наибольшая дистанция между центрами кластеров как показатель наибольшего различия между ними.
Основная ретроспективная информация была получена на основе многолетних данных сессий - визуализации гистограмм распределения оценок на экзамене. Выборка содержала более 200 серий наблюдений в период с 2008 по 2011 гг., в которых суммарно участвовало более 5500 учащихся. Первоначально предполагалось, что множество преподавателей будет разделено на 2 либо на 3 кластера в соответствии с преобладающими частотами в оценочных моделях конкретных преподавателей. Основная педагогическая гипотеза для обоснования необходимости проведения подобной процедуры - существование поведенческих различий в модели проведения экзаменационной процедуры преподавателями внутри определенного коллектива (кафедры). В дальнейшем был применен модуль кластерного анализа 8ТЛТ181СЛ 8.0. В результате анализа, действительно, было сформировано 2 кластера по параметрам изменения оценок в пятибалльной шкале. Как вариант рассматривалось формирование 3 кластеров (рис. 1). При увеличении числа кластеров более 3 они становились размытыми и границы между ними - менее
дифференцированными. Результаты дополнительной проверки по F-кри-| | терию [5] показали, что с увеличением числа кластеров с 2 до 3 степень | § дифференциации действительно резко падает. Поэтому было принято к о решение не увеличивать их число и дальнейший анализ данных произво-о о дить на 2 подмножествах.
Проведенная процедура разбиения множества преподавателей на кла-§ стеры дала следующие результаты.
1. Формально однородное по признаку преподаваемой дисциплины ^ множество сотрудников кафедры, действительно, оказалось неоднородным по признакам частоты выставляемых оценок в классической пятибалльной системе и разделилось на 2 кластера.
2. Анализ распределений вероятностей по типам оценок показал, что частоты выставления оценок «4» и «5» для выделяемых подмножеств практически идентичны (рис. 2), а частоты выставления «2» и «3» значимо различаются (рис. 3). Иначе говоря, вероятности получения оценок «4» и «5» в семестровый экзамен для преподавателей обоих кластеров совпадают, а вот вероятности выставления оценки «2», а не «3» для учащихся у преподавателей второго кластера больше почти в 2 раза.
Исследования произведены на основе репрезентативной выборки, описанной выше, и их результаты носят достоверный характер, поэтому все дальнейшие исследования, связанные с данной проблематикой, представляется рациональным проводить именно на разделенных подмножествах по выборочным данным преподавателей, относящихся к первому
0,9 0,8 0,7
| 0,6
и та
^ 0,5 0,4 0,3 0,2
Кластер 1 Кластер 2
"2" "3" "4" "5"
Баллы
0,5
<5 0,4 тс а
^0,3 0,2 0,1 0,0
"2" "3" "4" "5" Баллы
Рис. 1. Визуализация разбиения исходного множества преподавателей
на 2 и 3 кластера по статистическим данным результатов семестровых экзаменов
0,000
■ Кластер 1
■ Кластер 2
-70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 Математическое ожидание семестровой оценки "4"
0,10 0,09 0,08 0,07
£ 0,06
с о
нт 0,05
^
& 0,04
т
0,03 0,02 0,01 0,00
Математическое ожидание семестровой оценки "5"
Кластер 1 Кластер 2
Рис. 2. Визуализация незначимых различий получения учащимися семестровых оценок «4» и «5» по множествам преподавателей первого и второго кластеров
и второму кластерам. По нашему мнению, подобное разделение позволит более точно описать закономерности, связанные с особенностью профес-сиограмм и индивидуальных характеристик преподавателей по данным подмножествам.
0,06
■ Кластер 1
■ Кластер 2
0,00
-50 -40 -30 -20 -10 0 10 20 30 40 50 60 Математическое ожидание семестровой оценки "3"
Рис. 3. Визуализация значимых различий получения учащимися семестровых оценок «2» и «3» по множествам преподавателей первого и второго кластеров
На основании вышесказанного можно достаточно достоверно утверждать, что модели ассоциативного педагогического прогнозирования, построенные уже на предварительно дифференцированных множествах
„ v.
преподавателей, являются, по сути, поведенческими моделями двух к
типов преподавателей, относящихся соответственно к кластерам 1 и 2. о В дальнейшем, на наш взгляд, необходимо оценить результаты профессиональной деятельности преподавателей по этим двум моделям и выработать корректирующие действия для их методик и стилей изложения учебного материала. §
Таким образом, на основании вышесказанного, можно сделать вывод ¿= о необходимости проведения подобной процедуры предварительной оценки профессиональной деятельности профессорско-преподавательского состава вуза как на этапе формирования кадрового состава системы дистанционного обучения вуза, так и в случае рассмотрения индивидуального вопроса о включении их в действующую систему дистанционного обучения, с целью исключения возможных негативных тенденций в индивидуальном процессе преподавания и более успешном ее функционировании.
Библиографический список
1. Абдуллина О.А. Общепедагогическая подготовка учителя в системе высшего педагогического образования. М., 1984.
2. Бахтизин Р.Н., Фаткуллин Н.Ю., Шамшович В.Ф. Балльно-рейтинговая система оценки знаний студентов по математике с использованием информационно-коммуникационных технологий в ГОУ ВПО «Уфимский государственный нефтяной технический университет» // Материалы четвертой международной конференции по вопросам обучения с применением технологий e-leaming «MOSCOW Education Online 2010», Москва, 29 сентября - 1 октября 2010 г.: Сб. тезисов докладов конференции. М., 2010. С. 62-64.
3. Бахтизин Р.Н., Фаткуллин Н.Ю., Шамшович В.Ф. Внедрение балльно-рей-тинговой системы оценки знаний студентов с использованием информационно-коммуникационных технологий и поведение процедур мониторинга и прогнозирования оценки успеваемости студентов по математике методами нейросетевых технологий // Материалы второй всероссийской научно-практической конференции (Казань, 16-22 апреля 2010 г.) «Электронная Казань 2010» / Отв. ред. К.Н. Пономарев. Казань, 2010. С. 255-258.
4. Вайндорф-Сысоева М.Е., Хапаева С.С. Независимая сертификация ИКТ-компетентности педагога // Вестник Московского государственного областного университета. Электронный журнал. 2012. № 4. URL: http://evestnik-mgou.ru/vipuski/2012_4/stati/pedagogika/vayndorf-sy soeva.html (дата обращения: 15.04.2014).
5. Гмурман В.Е. Теория вероятностей и математическая статистика. М., 2003.
6. Педагогика: Учебник / Под ред. Л.П. Крившенко. М., 2004.
7. Тавгень И.А. Дистанционное обучение: опыт, проблемы, перспективы / Под ред. Ю.В. Позняка. 2-е изд., исправл. и доп. Минск, 2003.
8. Фаткуллин Н.Ю., Бахтизин Р.Н., Шамшович В.Ф. Диагностика и прогнозирование успешности процесса обучения учащихся на основе нейронных сетей // Материалы VI Всероссийской научно-практической конференции (Москва, ВВЦ, 29.09-02.10.2009) «Образовательная среда сегодня и завтра» / Отв. ред. В.И. Солдаткин. М., 2009. С. 184-187.
9. Фаткуллин Н.Ю., Шамшович В.Ф., Бахтизин Р.Н. Практическая реализация методов дистанционного обучения на основе информационно-коммуникационных технологий при балльно-рейтинговой системе оценке знаний // Дистанционные технологии в учебном процессе: Тезисы докладов научно-методического семинара, Иркутск, 28-29 апреля 2010 г. Иркутск, 2010. С. 46-47.
