CC BY
184
Затылкин А. В.
Пензенский государственный университет
СИСТЕМА АДАПТИВНОГО ТЕСТИРОВАНИЯ НА ОСНОВЕ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА
Введение
Повышение качества обучения является приоритетным направлением развития системы образования. Одной из основных задач управления качеством образования в учебном заведении является задача контроля качества обучения. В условиях современного информационного общества автоматизированное тестирование может стать основным инструментом для контроля качества [1, 2].
К настоящему времени разработаны разнообразные среды, предназначенные как для подготовки автоматизированного тестирования, так и его проведения: UniTestSystem, Экспресс-тест,
SunRavTestOfficePro, HyperTest, OpenTEST, Прометей, АСТ-ТЕСТ, Neyron и др [3-5]. По типу доступа они классифицируются как автономные, сетевые и удаленные.
Анализ систем контроля знаний студентов показал, что разработка этих систем преимущественно идет на эмпирической основе без должного научно-методического обоснования, без опоры на теоретические модели готовности специалиста к профессиональной деятельности, без привлечения методов педагогической квалиметрии. Интегральная оценка выполнения теста вычисляется как сумма полученных баллов за правильно выполненные задания.
Слабая концептуальная разработанность технологии контроля все более приходит в противоречие с объективными потребностями вузовской практики по реализации программы повышения качества подготовки специалистов, и в связи с этим возникает необходимость разработки научно-обоснованной системы контроля знаний студентов.
1 Методики организации компьютерного контроля знаний
Вне зависимости от вида контроля знаний (предварительный, текущий итоговый) методики организации компьютерного контроля знаний делятся на три класса [2, 3]:
неадаптивные;
частично адаптивные;
полностью адаптивные.
Общим для всех неадаптивных методик является то, что контрольные вопросы формируются заранее, это позволяет выдавать задания двумя способами: по одному или списком. В последнем случае студент сам может выбрать последовательность выполнения заданий. Недостатком неадаптивных методик является отсутствие использования информации о модели обучаемого и модели предметной области.
Частично адаптивные методики во время формировании набора контрольных вопросов предполагают использование информации о модели обучаемого и/или модели предметной области, т. е. в методиках данной группы признаки адаптации присутствуют.
Адаптивное обучение и адаптивный тестовый контроль, в своем единстве, представляют собой современный компьютерный вариант реализации принципа индивидуализации обучения. Адаптивное обучение позволяет:
использовать оценки, полученные предварительном адаптивном тестовом контроле для выбора исходных тематических блоков учебной информации, с которой начинается адаптивное обучение.
открыть возможности свободного выбора траектории обучения, обеспечивая выдачу учебного материала на оптимальном уровне сложности, т. к. легкие материалы не обладают заметным развивающим потенциалом, а трудные задания снижают учебную мотивацию обучаемых;
обеспечить передачу знаний, формирование умений и навыков без пробелов, получая требуемую структуру и желаемый уровень знаний, умений, навыков;
Целесообразность адаптивного контроля вытекает из соображений рационализации традиционного процесса тестирования, где всем обучаемым дается одинаковый набор заданий. Нет необходимости давать легкие задания, обучаемому с высоким уровнем знаний из-за высокой вероятности их правильного решения. Из-за высокой вероятности неправильного решения нет смысла давать трудные задания слабому обучаемому. Использование заданий, соответствующих уровню подготовленности, существенно повышает точность измерений и минимизирует время индивидуального тестирования.
2 Нечеткий логический вывод
Наличие нечетких данных и отношений в рассматриваемой предметной области обуславливает применение аппарата нечеткой логики. Поэтому для решения поставленной задачи используем метод нечеткого логического вывода.
В общем случае механизм нечеткого логического вывода (рис. 3.1) включает три этапа: введение
нечеткости (фаззификация), нечеткий вывод и приведение к четкости (дефаззификация) [3]. На вход
системы нечеткого логического вывода поступает множество X четких величин, соответствующих входным лингвистическим переменным, а на выходе получаем множество Y четких величин, соответствующих выходным лингвистическим переменным.
Рисунок1 - Структура системы нечеткого логического вывода
Рассмотрим компоненты системы нечеткого вывода.
Под фаззификацией будем понимать процесс построения нечеткого множества и процедуру нахождения значений функций принадлежности нечетких множеств (термов) на основе некоторого известного заранее количественного значения измеримого признака. Вопрос о построении функций принадлежности является одним из самых важных вопросов в теории нечетких множеств [2, 3]. Для представления функции принадлежности нечеткого множества используется техника теории измерения и шкалирования [1].
База правил нечетких продукций представляет собой конечное множество правил S1, ..., Sn не-
четких продукций, согласованных относительно используемых в них входных лингвистических переменных и выходных лингвистических переменных.
В качестве входной лингвистической переменной "Качество ответа" (Q) используется терм-множество включающее следующие значения:
Q = [Qi, Q2,Qsl ,
где Qi - «Низкое качество»^2 - нечеткая переменная «Среднеекачество» и Q3 - нечеткая переменная «Высокое качество».
В качестве функции принадлежности характеризующей степень принадлежности бальной оценки ответа студента (x) значению лингвистической переменной Q выбрана функция s симметричного вида, описываемая формулой:
mP (x)
1 - НА, а £ x £ b b - a
1, b £ X £ C
0 ■ a ■ fno aeuf u 0 ■ neo+ayd
где a, b,c - границы интервалов функции принадлежности.
База правил нечеткого логического вывода содержит набор следующих правил продукции:
Si=max [Qi; min (Q2; Q3)],
S2=max [Q2; min (Qi; Q3)],
S3=max [Q; min (Qi; Q2)],
Дефаззификация в системах нечёткого вывода представляет собой процедуру нахождения четких значений выходных переменных, в наибольшей степени отвечающих входным данным и базе продукционных правил. Полученные значения выходных переменных могут быть использованы внешними по отношению к системе нечеткого вывода устройствами.
В разработанной методике отсутствует этап дефаззификации, поскольку его следует использовать только при необходимости преобразования нечеткого набора значений выходных лингвистических переменных к точным. Здесь же достаточно установить следующее соответствие: Si - понизить уровень сложности, S2 - оставить уровень сложности прежним и S3 - повысить уровень сложности.
Траектория прохождения теста студентом показана на рисунке 2.
Уровень
сложности
В О О
5 О В В ►•н * В
4 В О В -•
3 • ►•н *
2
1
1 2 3 4 5 6 7 8 9 10
Номер
вопроса
Рисунок 2 - Схема следования заданий при блочной адаптации(О - ошибочный ответ, В - верный ответ)
Актуальность адаптивности состоит не только в экономии времени, но и в информационной безопасности. Чем меньше тестовых заданий и ситуаций предъявляется обучаемому, тем меньше вероятность их многократного повторения.
3 Практическая реализация
Программное обеспечение система адаптивного тестирования на основе нечеткого логического вывода реализовано в среде объектно-ориентированного программирования Borland Delphi 7.0.
Система включает графический интерфейс пользователя, подсистему управления на основе нечеткого логического вывода, базу правил нечетких продукций и набор модулей тестовых заданий по различным дисциплинам.
Одним из достоинств системы является удачное решение вопроса разработки интерфейса пользователя. Интерфейс является простым (все функциональные клавиши выведены на главную панель), удобным в использовании (малое, но достаточное количество элементов управления) и, как следствие, интуитивно понятным (рисунок3).
Рисунок 3 - Интерфейс разработанного программного обеспечения
Структурный состав схемы позволяет пользователю пройти процесс тестирования и получить нечеткую оценку уровня своих знаний по конкретной дисциплине.
Предложенная методика работы с программным обеспечением представлена в виде диаграммы IDEF0 на рисунке 4.
Методика заключается в следующем:
1 Входными данными служит задание преподавателя в виде названия дисциплины, по которой студенту следует пройти тестирование. Студент должен загрузить базу данных теста соответствующей дисциплины (Файл Key_Test.mdb). АСТ «MasterTest» контролирует процесс загрузки базы данных и запрещает переход к следующему этапу, если процесс не был осуществлен или осуществлен с ошибкой.
Файл
Key_Test.mdb
Автоматизированная система тестирования Master Test
Студент
Автоматизированная система тестирования Master Test
Рисунок 4 - Методика работы с АСМ «MasterTest»
2 После загрузки базы данных студент должен ознакомиться с вводной информацией и перейти к следующему этапу. Вводная информация помогает найти теоретическую информацию, которая служит основой данного теста.
3 Процесс ответа на тестовые вопросы контролируется АСТ «MasterTest» и на входе студент получает нечеткую оценку уровня своих знаний по тестируемому предмету.
В случае неудовлетворительного результата студент может пройти тест еще раз. Но прежде следует ознакомиться с вводной информацией по тесту.
Вывод
Таким образом, разработанная автоматизированная система тестирования «MasterTest» позволяет: повысить эффективность выполнения контроля знаний студентов;
обеспечить объективность оценки выполнения теста как по уровням усвоения знаний тестовых заданий, так и по тесту в целом.
Результаты работы внедрены в учебный процесс кафедры «Технический сервис» по дисциплине «Экспертиза и диагностика объектов и систем сервиса».
Статья подготовлена в рамках реализации проекта «Разработка интеллектуальной системы управления сложным программно-аппаратным комплексом на основе теории межсистемного взаимодействия» (Г.К. №П1316 от 09 июня 2010г.) ФЦП «Научные и научно-педагогические кадры инновационной России (2009-2013 гг.)».
ЛИТЕРАТУРА
1. Новиков, Д.А. Прикладные модели информационного управления /Новиков Д. А., Чхартишвили
A. Г. /. - М.: ИПУ РАН, 2004. - 130 с.
2. Юрков, Н.К. Машинный интеллект и обучение человека: монография / Н.К. Юрков. - Пенза: ИИЦ
ПензГУ, 2008г. - 226с.
3. Юрков, Н.К. Интеллектуальный компьютерные обучающие системы: монография / Н.К. Юрков. -
Пенза: ИИЦ ПензГУ, 2010г. - 304с.
4. Методология формирования профессиональных навыков в интеллектуальной компьютерной системе
обучения с внешним объектом изучения/ В.Б. Алмаметов, А.В. Затылкин, И.Д. Граб, В.С. Зияутдинов, С. В. Щербакова // Известия высших учебных заведений. Поволжский регион. Технические науки. -
2009. № 1 (9). - С. 48.
5. Затылкин, А. В. Метод связанных систем в моделировании процесса обучения / А. В. Затылкин,
B. Б. Алмаметов, И.И. Кочегаров // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2010. № 4 (9). - С. 56-61.
