CC BY
134
2. Галимов Г.Я. Особенности воспитания учащихся начальных классов в условиях реформирования образования // Вестник Бурят. госун-та. 2012. Вып. 1.2: Педагогика. 46-49.
3. Дерябко С.Д., Ясвин В.А. Экологическая педагогика и психология. Ростов н/Д: Феникс, 1996.
4. Кяэрст М. Рассмотрение компетентности в психологической концепции совершенствования управления
производственной организацией // Актуальные проблемы труда: сб. науч. тр. Тарту, 1980. С. 45-67.
5. Маркова А.К. Психологический анализ профессиональной компетентности учителя // Сов. педагогика. 1990. № 8. С. 82-87.
6. Штайнер Р. Необходимость духовной основы педагогики // Вальдорфская педагогика. Антология. М., 2003.
Захарова Надежда Михайловна, старший преподаватель кафедры физического воспитания, Забайкальский государственный университет, г. Чита. Тел. 8(9144)603237. E-mail: zanami1958@yandex.ru
Баранов Александр Вадимович, старший преподаватель кафедры механизации и лесоэксплуатации, Дальневосточный государственный аграрный университет, г. Благовещенск. Тел. 8(9241)471985. E-mail: baranovmex@mail.ru
Zakharova Nadezhda Mikhailovna, senior lecturer, department of physical education, Zabaikalsky State University, Chita, Ph.: 8(9144)603237. E-mail: zanami1958@yandex.ru
Baranov Aleksandr Vadimovich, senior lecturer, department of mechanization and forestry, Far Eastern State University, Blagoveshchensk. Ph.: 8(9241)471985. E-mail: baranovmex@mail.ru
УДК 51-77, 796.011
© С.В. Калмыков, А.С. Сагалеев, А.С. Цыбиков
МАТЕМАТИЧЕСКИЕ МЕТОДЫ В УПРАВЛЕНИИ ПОДГОТОВКОЙ СПОРТСМЕНОВ
В статье рассматривается проблема совершенствования системы управления подготовкой квалифицированных спортсменов, которая требует проведения глубокого качественного анализа большого объема разнородных данных, поступающих в ходе комплексного (педагогического, психологического, медико-биологического, биохимического) контроля, систематизации и преобразования их в более обобщенную форму (интегральные показатели подготовленности).
Ключевые слова: подготовка спортсменов, комплексный контроль, подготовленность спортсмена, математические методы анализа данных, математическое моделирование.
S. V. Kalmykov, A.S. Sagaleev, A.S. Tsybikov MATHEMATICAL METHODS IN ATHLETES TRAINING CONTROL
In the article the problem of improvement a system of control of skilled athletes training is considered, it requires a deep qualitative analysis of large volume of heterogeneous data, which are obtained during the complex (pedagogical, psychological, medical-biological, biochemical) control, systematization and transformation them into a more generalized form (integral indicators of readiness).
Keywords: athletes training, integrated control, athletes readiness, mathematical methods of data analysis, mathematical modeling.
Анализ современных публикаций показывает, что развитие прикладных математических исследований в теории и практике спорта оставляет желать лучшего. Единичными остаются случаи использования методов математического моделирования, интеллектуального анализа данных и экспертных систем, которые решают задачи прогнозирования, классификации, выявления скрытой информации (data mining) и автоматизации процедуры логического вывода и принятия решений.
В исследованиях в области спорта чаще всего применяются стандартные математические методы проверки достоверности гипотез о характере распределения данных, различии, сдвигах,
связях и тенденциях. Известны некоторые попытки применения математического моделирования в отдельных видах спорта. Например, в теннисе с помощью цепи Маркова (теория графов) описывается вероятностная модель игры (партии). В баскетболе была разработана оптимизационная модель задачи о распределении обязанностей в команде (при отсутствии запасных игроков) с помощью теории линейного программирования.
В целом сложившаяся ситуация объясняется тем, что многие процессы и явления являются многофакторными. Одним из важнейших является человеческий фактор, моделирование которого остается сложнейшей задачей. Кроме того,
в этой области имеют место проблемы, связанные со стохастичностью прикладных исследований и недостаточной подготовленностью самих исследователей (особенно педагогов) к научно обоснованному проведению и анализу эксперимента, к грамотному выбору средств и критериев математической статистики [1].
Технология анализа экспериментальных данных
На сегодняшний день, благодаря использованию математических методов анализа данных как двумерными, так и многомерными методами, нами получен ряд весомых результатов в области психологии и педагогики, включая теорию и методику спорта. Следуя теории анализа данных и основываясь на практическом опыте, мы постарались коротко описать полный стандартный алгоритм обработки экспериментальных данных, состоящий из трех этапов.
1. Предварительная обработка (одномерный статистический анализ). Проводится отсеивание грубых погрешностей измерений. Определяются типы данных, вид шкал, масштаб переменных, по необходимости они преобразуются. С помощью специальных критериев (например, критерий Шапиро-Уилка) проверяется соответствие эмпирического распределения результатов измерения закону нормального распределения (для метрических данных). Если гипотеза о нормальности неприемлема, то следует определить, какому закону распределения подчиняются опытные данные, и, если это возможно, преобразовать данное распределение к нормальному (преобразование Бокса-Кокса). Вычисляются основные числовые характеристики выборки (средние, мода, стандартное отклонение, дисперсия и т.п.) [2]. Только после выполнения перечисленных выше процедур можно перейти к следующему этапу.
2. Двумерный статистический анализ. На данном этапе проводится анализ данных, где участвуют две выборки (переменные), и обычно проверяются гипотезы о парных корреляционных связях (корреляция Пирсона, Спирмена, Кенделла, тест Хи-квадрат), сдвигах (критерий Стьюдента для зависимых выборок, критерий Вилкоксона) и различиях (критерий Стьюдента для независимых выборок, критерий Фишера, критерий Манна-Уитни, критерий согласия и однородности Хи-квадрат). Здесь нужно обратить внимание на необходимость выбора методов (критерии) из двух принципиально разных классов - параметрические (требуют нормальности распределения данных) и непараметриче-
ские (любое распределение). Далее выбор определенного метода осуществляется в зависимости от цели, объема выборок, типа данных, отношения между выборками (зависимые или независимые) и мощности методов [2, 3].
3. Многомерный статистический анализ. Данный этап, на наш взгляд, является самым увлекательным, так как в ходе анализа может выявиться скрытая (латентная) информация о закономерностях и тенденциях в групповом поведении, которую на втором этапе нельзя выявить. Проведение такого анализа требует определенной профессиональной компетентности в этой области (математической и информационной), ибо требуется более глубокое понимание замысла и технологии вычислений. Некорректные вычисления могут привести к искаженным и ошибочным результатам. Наиболее яркими представителями данного класса относятся следующие методы анализа: дисперсионный (оценка групповых различий), корреляционный (определение групповых связей и вычисление корреляционной матрицы), множественный регрессионный (предсказание зависимой переменной), факторный (определение структуры связей, классификация, снижение размерности), кластерный (классификация переменных по расстоянию между ними), дискриминантный (определение дискриминирующих переменных), лог-линейный (многомерный непараметрический анализ) и многомерное шкалирование (выявление сходства между объектами). В последнее время популярность обретают искусственные нейронные сети (ИНС) и теория структурного моделирования [2, 3].
Качество и быстроту (автоматизацию) вычислений и наглядность представлений результатов проведенного анализа, особенно при многомерном анализе, можно обеспечить применением современных профессиональных программных пакетов, таких как «Statistica» (компания «StatSoft»), «IBM SPSS Statistics» (Компания «SPSS: An IBM Company»), «STADIA» (А.П. Кулаичев) и др. Все полученные результаты должны характеризоваться степенью надежности (показатель р-уровень). Как правило, в гуманитарных исследованиях р-уровень 0.05 рассматривается как приемлемая граница уровня ошибки.
Задача математического моделирования
В ходе реализации комплексного контроля возникает необходимость выработки адекватной количественной оценки физической, психологи-
ческой, функциональной, технико-тактической подготовленности, а также общего интегрального уровня подготовленности спортсменов. То есть речь идет о разработке математической модели расчета интегральных показателей уровня подготовленности спортсменов. И здесь мы видим возможность решения данной проблемы на основе системного подхода, в частности методологии системного анализа [4].
Под системным анализом (от греч. systema -целое, составленное из частей) принято понимать совокупность методов и средств исследования сложных, многоуровневых и многокомпонентных систем, объектов, процессов, опирающихся на комплексный подход, учет взаимосвязей и взаимодействий между элементами системы. Таким образом, системный анализ играет важную роль в процессе планирования и управления подготовкой спортсменов, при выработке и принятии управленческих решений тренером или управленцами.
Согласно методологии системного анализа решение поставленной задачи включает следующие пять этапов.
1. Изучение реальной системы. Данный этап предполагает формализацию (структурирование) системы на основе теоретических знаний и экспериментальных исследований, направленных на минимизацию имеющихся неопределенностей в системе, т.е. определение типа, формы и силы взаимосвязей (влияние факторов), нахождение закономерностей, а также решение задач классификации и идентификации. На данном этапе необходимо накопление большого объема эмпирических (статистических) данных.
2. Получение вербальной модели. Вербальная модель представляет собой описание (представление) идеализированной модели системы на основе теоретических и экспериментально-статистических данных. Применяется теория структурного моделирования.
3. Получение математической модели. Вербальная модель формализуется посредством математических методов, в результате чего получаем математическую модель.
4. Испытание модели. Полученная математическая модель апробируется на реальных эмпирических данных (оценивается корректность), в результате чего она может пересматриваться и модифицироваться.
5. Применение модели. На данном этапе предполагается целенаправленное практическое применение модели в управлении подготовкой спортсменов как реального вспомогательного инструмента анализа, планирования, прогнозирования и отбора.
В этом направлении мы рассматриваем перспективы применения следующих математических теорий [2]:
- линейного и нелинейного регрессионного анализа;
- искусственных нейронных сетей;
- структурного моделирования.
Накопление эмпирических данных возможно
в ходе систематического комплексного контроля спортсменов по приоритетным видам спорта с применением средств информационных технологий.
Таким образом, работа в данном направлении представляется более чем перспективной, хотя и трудоемкой. Это требует определенных материально-технических, финансовых и человеческих ресурсов, поскольку необходимо проведение ряда междисциплинарных исследований с участием не только математиков, но и специалистов по спортивной психологии, медицины, биохимии.
Заключение
Стремительное развитие прикладных математических методов, а также информационных технологий позволяет проводить исследования на более глубоком и доказательном уровне. Считаем, что широкое применение математических методов (совместно с информационными технологиями) в управлении подготовкой спортсменов позволит отечественному спорту выйти на более высокий уровень - научно-обоснованный и управляемый.
Литература
1. Афанасьев В.В. Применение методов математической статистики в научных исследованиях // Ярославский педагогический вестник. №4. 2006. С. 5-12.
2. StatSoft, Inc. (2001). Электронный учебник по статистике. М.: StatSoft. URL: http://www.statsoft.ru/ home/textbook/default.htm (дата: 1 авг. 2013г.)
3. Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных: учеб. пособие. СПб.: Речь, 2004. 392 с.
4. Антонов А.В. Системный анализ: учебник для вузов. М.: Высш. шк., 2004. 454 с.
Калмыков Степан Владимирович, член-корреспондент РАО, доктор педагогических наук, профессор, ректор, Бурятский государственный университет. Е-шаД: univer@bsu.ru
Сагалеев Андрей Сергеевич, доктор педагогических наук, доцент кафедры спортивных дисциплин, Бурятский государственный университет. Е-шаД: sagands@mail.ru
Цыбиков Анатолий Сергеевич, кандидат педагогических наук, заведующий лабораторией инновационных технологий подготовки спортсменов, Бурятский государственный университет. Е-mail: cas313@rambler.ru
Kalmykov Stepan Vladimirovich, ^responding member of the RAO, doctor of pedagogical sciences, professor, rector of Buryat State University. Е-mail: univer@bsu.ru
Sagaleyev Andrey Sergeevich, doctor of pedagogical sciences, associate professor, department of sports disciplines, Buryat State University. Е-mail: sagands@mail.ru
Tsybikov Anatoly Sergeevich, candidate of pedagogical sciences, head of the laboratory for innovative technologies of athletes training, Buryat State University. Е-mail: cas313@rambler.ru
УДК 373.5
© Т.Л. Кириенко, Т.А. Жукова
ОПТИМИЗАЦИЯ БАЛЛЬНО-РЕЙТИНГОВОЙ СИСТЕМЫ ОЦЕНКИ ЗНАНИЙ, УМЕНИЙ И НАВЫКОВ СТАРШЕКЛАССНИКОВ ЛИЦЕЯ ЗАБГУ ПО ДИСЦИПЛИНЕ «ФИЗИЧЕСКАЯ КУЛЬТУРА»
В статье рассматриваются вопросы адаптации к условиям обучения старшеклассников в вузе. Актуальным в этом процессе является применение рейтинговой системы оценки по дисциплине «Физическая культура».
Ключевые слова: балльно-рейтинговая система оценки, контроль успеваемости, физическая подготовленность.
Т.L. Kirienko, T.A. Zhukova
OPTIMIZATION OF POINT-RATING SYSTEM OF ASSESSMENT KNOWLEDGE, SKILLS AND HABITS OF SENIOR GRADERS OF LYCEUM OF ZABSU ON "PHYSICAL CULTURE" DISCIPLINE
The article considers the issues of senior graders adaptation to conditions of studying in institutions of higher education. The use of rating assessment system on "physical culture " discipline is of current importance in this process. In this article the extracts from the Regulations on point-rating progress assessment system for senior graders of lyceum are proposed.
Keywords: point-rating assessment system, progress in studies control, physical readiness.
С переходом на двухуровневую систему образования и кредит-систему оценки и учета знаний студентов на кафедре физического воспитания Забайкальского государственного гуманитарно-педагогического университета (в настоящее время ЗабГУ) в 2008 г. было разработано Положение о балльно-рейтинговой системе оценки успеваемости студентов [2].
Поскольку многопрофильный лицей является структурным подразделением университета, а преподаватели кафедры физвоспитания работают с учащимися лицея, мы решили с целью скорейшей адаптации будущих студентов вузов ввести данное положение для старшеклассников лицея с определенными изменениями, учитывающими условия проведения занятий в лицее и дифференцированный подход к старшеклассникам в 2010/11 учебном году.
В начале учебного года старшеклассники были ознакомлены с оценками каждого вида контроля и положением о рейтинговой системе.
Рейтинг вводился по трем позициям:
- отношение учащихся к обязательным занятиям по физической культуре (3 часа в неделю);
- своевременность сдачи контрольных тестов (в начале и конце учебного года) по физической подготовленности в начале и конце учебного года и учету спортивно-физкультурной активности учащихся;
- посещение спортивных секций СДЮСШОР и университета, значимость спортивных достижений и участие в спортивно-массовых соревнованиях, олимпиадах по предмету.
За посещение одного академического занятия (90 мин) учащийся лицея получает 1 балл.
Балльно-рейтинговая система оценки используется с целью личностно-ориентированного обучения, стимулирования физкультурной активности, повышения физической подготовленности и укрепления здоровья старшеклассников. В связи с тем, что обучение по дисциплине «Физическая культура» оценивается пятибалльной
