CC BY
46
СОВЕРШЕНСТВОВАНИЕ СИСТЕМЫ КОНТРОЛЯ РЕЗУЛЬТАТИВНОСТИ ОБУЧЕНИЯ ИНФОРМАТИКЕ ПУТЕМ ПРИМЕНЕНИЯ АДАПТИВНЫХ ТЕСТОВ С НЕЙРОСЕТЯМИ
Е.И. Горюшкин
Курский государственный университет Ул. Радищева, 33, г. Курск, 305000
В статье рассматривается один из вариантов усовершенствования системы контроля результативности обучения информатике путем применения адаптивных тестов вместе с нейросетями.
В связи с возросшими требованиями к уровню профессионализма и компетентности специалистов особую значимость приобретает повышение качества образования. Особое внимание уделяется вопросам, связанным с появлением новой системы контроля и оценки учебных достижений учащихся, направленной на применение педагогических тестов. Введение независимой системы аттестации учащихся вузов, с одной стороны, требует объективности в установлении соответствия качества их подготовки требованиям образовательных стандартов; с другой стороны, существующая практика тестирования далеко не всегда позволяет объективно оценить качество знаний учащихся по определенной дисциплине. К тому же в настоящее время трудно назвать дисциплину, в обучении которой так или иначе не применялись бы тестовые формы контроля знаний. При этом одной из самых информатизированных была и остается информатика. Этот предмет характерен тем, что в обучении информатике параллельно применяются как изучаемые средства информатики, образовательные ресурсы, так и тестирование, способствующее повышению эффективности контроля изученного материала, и как следствие — обучения в целом.
На сегодняшний день большинство существующих и применяемых в вузах программных тестовых комплексов по информатике направлены на так называемую «усредненную личность». Не учитывается сложность вопросов и их количество в тесте, не учитываются индивидуальные способности студентов. В связи с увеличением количества и недостаточным качеством тестовых комплексов, применяемых в обучении информатике в вузе, в настоящее время не представляется возможным качественно определить уровень учебных достижений учащегося, основываясь только на средствах традиционного компьютерного тестирования. Традиционное тестирование, осуществляемое с помощью тестов фиксированной длины, перерастает в современные эффективные формы адаптивного тестирования, при использовании которых оценка сложно-
сти каждого задания получается путем обработки статической информации. Таким образом, процесс тестирования адаптируется к уровню знаний тестируемого, что позволяет сократить время, затрачиваемое на прохождение теста.
Целью адаптивного тестирования было повышение эффективности тестовых измерений, что, как правило, связывалось с уменьшением числа заданий, времени, стоимости тестирования и с повышением точности оценок, полученных испытуемыми по результатам выполнения теста, повышение мотивации к тестированию у слабых и сильных студентов. Именно это и явилось преимуществом над тестами фиксированной длины. Исследователи видели возможность повышения эффективности в адаптации тестов, трудность которых учитывала диапазон подготовленности тестируемых. При компьютерном адаптивном тестировании по информатике тестовые задания формируются индивидуально для каждого студента с учетом его ответов на предыдущие вопросы. Типы заданий, их количество и порядок следования — индивидуальны.
Таким образом, адаптивное тестирование:
— дает более объективную оценку знаний, умений и навыков обучаемых;
— позволяет выявлять, какие знания ошибочны или неполны;
— позволяет давать рекомендации для дальнейшего построения образовательного процесса.
Благодаря развитию теории адаптивного тестирования, стала возможной адаптация не только тестовых заданий, но и тестирующих систем направленная:
— на приспособление к предметной области, выбранной для тестирования;
— приспособление к текущим потребностям конкретного испытуемого;
— приспособление к текущему состоянию конкретного испытуемого.
Начиная с 90-х годов, компьютерное адаптивное тестирование получило
широкое признание за рубежом. В настоящее время разработано много алгоритмов адаптивного тестирования, каждый из которых имеет свои положительные и отрицательные стороны, разработаны также программные продукты, позволяющие создавать банк вопросов и осуществлять процедуру тестирования.
Несмотря на все свои преимущества, адаптивное тестирование имеет ряд недостатков, один из которых — несоответствие запланированной сложности вопроса реальной. Как правило, каждый вопрос имеет фиксированный вес (оценка сложности вопроса). При многократном тестировании складывается ситуация, когда самые сложные, по мнению разработчика теста, вопросы на самом деле будут иметь сложность не выше среднего. Для решения этой проблемы необходимо использование такой технологии, которая могла бы самостоятельно произвести анализ ответов и на его основе изменить (если это требуется) весовые коэффициенты вопросов. Проблематика данного типа характерна для искусственного интеллекта, а именно искусственных нейронных сетей, одной из характеристик которой является сбор информации, анализ и последующее применение решения.
За последние десятилетия возрос интерес к искусственным нейронным сетям (НС). Специалисты из разных областей науки (математики, информатики, технического конструирования, философии, физиологии и психологии) заинте-
ресованы возможностями, предоставляемыми НС, и ищут способы применения их внутри своих дисциплин. Это проявление интереса было вызвано как теоретическими, так и прикладными достижениями.
Искусственные нейронные сети — это совокупность моделей биологических нейронных сетей, представляющих собой сеть элементов — искусственных нейронов, — связанных друг с другом синаптическими соединениями. Эти элементы затем группируются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют большое число свойств, присущих мозгу. Так, они способны к обучению (самообучению) на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Большинство моделей НС требуют обучения. В общем случае обучение — такой выбор параметров сети, при котором сеть лучше всего справляется с поставленной проблемой. Обучение — это задача многомерной оптимизации, и для ее решения существует множество алгоритмов.
Положительные аспекты применения НС вытекают из их способности решать такие задачи, как: автоматизация процессов распознавания образов, адаптивное управление, анализ информации и принятие решения, прогнозирование, создание экспертных систем и многие другие. Однако несмотря на широкое применение в различных сферах человеческой деятельности, до последнего времени применение НС в образовании рассматривалось крайне редко. Однако если в тестировании по информатике применить определенную НС (сеть Кохо-нена), способную к самоанализу с последующими изменениями, то любой тестирующий комплекс (в частности тест), направленный на контроль и оценку учебных достижений учащихся, будет:
— иметь способность адаптироваться по тому или иному признаку;
— иметь способность к самоанализу с последующими конструктивными изменениями.
Нейросети представляют собой принципиально новый подход к программированию, а их применение дает преимущество не только в сфере экономики, медицины, но и в области образования. 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.
С появлением адаптивных тестов теория тестирования вышла на новый уровень образования и получила более широкое применение. Был решен ряд вопросов, которые не могло решить традиционное тестирование. С развитием аппарата искусственных нейронных сетей и их последующим применением
в адаптивных тестах теория тестирования становится более улучшенной, нежели без них.
Как видим, одним из вариантов совершенствования системы контроля учебных достижений может послужить применение адаптивных тестов с НС, что позволит получать более достоверные (валидные) результаты оценивания знаний по информатике, и как следствие, повысит эффективность контроля учебных достижений.
ЛИТЕРАТУРА
[1] Экономическая информатика / Под ред. П.В. Конюховского. — СПб.: Питер, 2000.
[2] Груенко И.С. Методологический анализ оценки качества знаний в экзаменационных nnniienvnay ТТиг кян! riiun Haw —Магь-пя 2005
—д- I--г—Ч • • * 1--- — —^ ~ » 5 »
[3] Челышкова М.Б. Теоретико-методологические и технологические основы адаптивного тестирования в образовании: Дис. ... докт. пед. наук. — Москва, 2001.
[4] Коротких С. Нейронные сети: основные положения // http://www.orc.ru/~stasson/nenrox.html
[5] Труды III международного симпозиума «Интеллектуальные системы». Псков, 1998.
[6] Павпюк A.A. Система интеллектуального анализа данных для прогнозирования успешности учебной деятельности: Дис. ... канд. техн. наук. — Красноярск, 2004.
PERFECTION OF THE MONITORING SYSTEM OF PRODUCTIVITY OF TRAINING TO COMPUTER SCIENCE BY APPLICATION OF ADAPTIVE TESTS WITH NEURONETS
Evgeniy I. Goryushkin
Kursk State University Radischeva sir., 33, Kursk, 305000
The article is devoted to one of the variant of the improvement of the monitoring system of educational achievements on computer science by using adaptive tests along with neuronets.
