CC BY
9Е.И. Горюшкин
НЕЙРОСЕТИ В АДАПТИВНОМ ТЕСТИРОВАНИИ ПО ИНФОРМАТИКЕ
Горюшкин Евгений Игоревич, аспирант Курского
государственного университета (г. Курск) e-mail: gorvushkin@list.ru
С XX века усовершенствование образования находится в центре внимания не только мировой, но и отечественной общественности. Расширение объёма содержания образования, увеличение вариативности учебных программ, разработка новых государственных образовательных стандартов, введение независимой аттестации выпускников учебных заведений порождают ряд проблем, условий и требований, направленных на совершенствование контрольнооценочных систем в образовании. Одно из направлений такого совершенствования связано с увеличением масштабов тестирования, как по информатике, так и в целом, развитием его видов в целях обучения, переходом от статических оценок уровня учебных знаний к динамическим оценкам качества подготовленности обучаемых, адаптацией контрольно-оценочных систем за счёт немедленного реагирования на индивидуальные особенности подготовки испытуемых. Другими словами, всё, что относится к изменениям во многом не совместимыми с ограниченными возможностями традиционных тестов. В результате, традиционное тестирование, осуществляемое с помощью стандартизированных тестов фиксированной длины, перерастает в современные эффективные формы адаптивного тестирования, которые основываются на отличных от традиционных тестов теоретико-методологических основах и иных технологиях конструирования и предъявления тестов.
Основная идея в сфере адаптивного тестирования заключается в том, что тестовые задания необходимо адаптировать (подогнать) по трудности к уровню подготовленности испытуемых в тестируемой группе. Другими словами, слабым испытуемым бесполезно давать трудные задания, так как с большой вероятностью они не сумеют выполнить их правильно. Бесполезными выглядят и более лёгкие задания при тестировании сильных испытуемых. Очевидно, что использование слишком лёгких заданий может привести к тому, что все или почти все получат примерно одинаково высокие баллы и, следовательно, измерение уровня знаний не состоится по причине несоответствия трудности заданий подготовленности тестируемых учеников или студентов. Таким образом, все адаптивные тесты состоят из заданий различной сложности и отличаются по количеству и трудности тем сильнее, чем больше разброс по подготовленности среди испытуемых тестируемой группы.
Применение в информатике адаптивных тестов имеет ряд преимуществ над тестами с фиксированной длиной. К некоторым из них можно отнести:
1. Высокая эффективность, которая достигается путём минимизации числа заданий, а, следовательно, и времени его выполнения.
2. Повышение мотивации к тестированию у слабых и сильных учеников (студентов).
3. Практически исключена возможность списывания.
4. Снижение финансовых и временных затрат, связанных с тестом.
И это далеко не все преимущества. На сегодняшний день разработано много алгоритмов адаптивного тестирования, каждый из которых имеет свои положительные и отрицательные стороны, а также ряд программных продуктов, позволяющих создавать вопросы и проводить тестирование. Однако, как правило, все вопросы в адаптивных тестах по информатике и не только, имеют фиксированные веса (оценка сложности вопроса). Может сложиться ситуация, когда при многократном тестировании, самые сложные вопросы (по мнению разработчика теста) на самом
деле будут иметь сложность не выше среднего. Выходом из сложившейся ситуации может послужить применение аппарата искусственных нейронных сетей (НС), с помощью которого можно будет “перенастраивать” сложность вопросов.
Прототипом искусственных нейронных сетей послужили биологические нейронные сети. НС
Рис.1 Искусственный нейрон
ячейка аксон
JU
выход
X
W
представляет собой совокупность простых элементов - нейронов, связанных между собой определённым образом. Каждый нейрон характеризуется своим текущим состоянием, аналогичным клеткам головного мозга, которые или возбуждены, или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединённых с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или её весом щ. Текущее состояние нейрона определяется, как:
П
8 = ^ хі ■ wi . Общий вид нейрона приведён на рис.1. Выходом нейрона является функция его
і=1
состояния: у = /(8) . В конструируемой нами НС все нейроны имеют одну и ту же функцию. Эта функция называется активационной или характеристической. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая или “сигмоидальная” функция (т.е. функция 8-образного вида), показанная на рис.2.
Рис.2 а)сигмоид - гиперболический тангенс; б)сигмоид - формула (3)
Эта функция математически выражается как / (х) =
1
. Она весьма удобна, так как
(1 + )
имеет простую производную /'(х) = а ■ /(х) • (1 - /(х)) .
В качестве примера рассмотрим простой вариант однослойной нейронной сети рис.3. На п
входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала:
w¡¡
У = /
2
_ г=1
Для решения сложных задач используют многослойные сети (рис.4), в которых различают входной, скрытый и выходной слои. Из рис.4 видно, что слева располагается входной слой, справа -выходной, а всё что между ними - является скрытыми слоями. Как привило, теоретически НС может иметь огромное число как нейронов, так и слоёв. На практике же всё ограничивается ресурсами компьютера. Чем сложнее структура НС, тем более масштабные задачи она может решать. На сегодняшний день существует много видов НС. Среди них широко известны такие, как: сеть Хопфилда, Кохонена, Хэмминга, сеть встречного распространения и др. По типам сети, их классифицируют на сети: статические, динамические, нетрадиционные, а также сети нечёткой
структуры. Выбор структуры сети обусловлен задачей, которую ей следует решить.
Для того чтобы изменить сложность вопросов с помощью искусственных нейронных сетей, целесообразно использовать такую сеть, которая:
• будет способна обучаться без учителя;
• способная к классифицированию.
Рис.4 Многослойная НС
Одной из таких НС является сеть Кохонена. Во время обучения ей необязательно сообщать правильные ответы, так как на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы на кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием "близости". Сеть состоит из одного входного и одного выходного слоя. Количество элементов в выходном слое непосредственно определяет, сколько различных кластеров сеть сможет распознать. Каждый из выходных элементов получает на вход весь входной вектор. Каждой связи приписан некоторый синоптический вес. В большинстве случаев каждый выходной элемент соединен также со своими соседями. Эти внутрислойные связи играют важную роль в процессе обучения, так как корректировка весов происходит только в окрестности того элемента, который наилучшим образом откликается на очередной вход. Выходные элементы соревнуются между собой за право вступить в действии "получить урок". Выигрывает тот из них, чей вектор весов окажется ближе всех к входному вектору.
С появлением искусственных нейронных сетей исследователи получили в распоряжение инструмент, способный к обучению (самообучению) на основе поступающих данных, позволяющий осуществлять моделирование в условиях неполной, зашумленной информации, а также дающий возможность прогнозировать и производить расчеты. Нейросети представляют собой принципиально новый подход к программированию, а их применение даёт преимущество не только в сфере экономики, медицины, но и в сфере образования (в информатике). Они позволяют относительно быстро обрабатывать большое количество информации и отсеивать лишнюю, создавать задания в нужной тестовой форме, производить корректировку весов вопросов в соответствии с их реальным уровнем сложности, распознавать речь и почерк.
С появлением адаптивных тестов теория тестирования вышла на новый уровень образования и получила широкое применение не только в информатике, но и в ряде других дисциплин. Был решён ряд вопросов, которое не могло позволить традиционное тестирование. А с развитием аппарата искусственных нейронных сетей и их последующим применением в адаптивных тестах по информатике теория тестирования по информатике становится более улучшенной, нежели без них.
1. Экономическая информатика / Под. Ред. П.В. Конюховского. — СПб.:Питер. 2000. - 560 с.
2. Груенко И. С. Методологический анализ оценки качества знаний а экзаменационных процедурах: Дис... кан. фил. наук. - М., 2005.
3. Челышкова М.Б. Теоретико-методологические и технологические основы адаптивного тестирования в образовании: Дис.док.пед.наук. - М., 2001.
4. Коротких С. Нейронные сети: основные положения // http://www.orc.ru/~stasson/neurox.html
5. Кохонен Т. Ассоциативная память. - М., 1982.
