CC BY
66
ИННОВАЦИОННЫЕ ПЕДАГОГИЧЕСКИЕ ТЕХНОЛОГИИ
В ОБРАЗОВАНИИ
ТЕХНОЛОГИЯ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ В АВТОМАТИЗИРОВАННОЙ ОБРАЗОВАТЕЛЬНОЙ СРЕДЕ
А.Н. Ветров
Санкт-Петербургский государственный электротехнический университет (ЛЭТИ)
Ул. проф. Попова, д. 5, Санкт-Петербург, Россия, 197376 Для решения комплексной научной проблемы создания, системного анализа и повышения эффективности функционирования среды автоматизированного обучения со свойствами адаптации на основе когнитивных моделей предлагается новая технология когнитивного моделирования, которая включает: методику ее использования, алгоритм формирования когнитивных моделей, методики исследования параметров когнитивных моделей, алгоритм обработки апостериорных данных тестирования, а также комплекс программ.
Информационно-образовательная среда, когнитивная модель, система автоматизированного обучения, технология когнитивного моделирования. Особенности адаптивной среды на базе когнитивных моделей. Созданная структура информационно-образовательной среды (ИОС) системы автоматизированного (дистанционного) обучения (АДО) со свойствами адаптации на основе когнитивных моделей (КМ) (рис. 1) выступает замкнутым контуром, является гибридной: имеет 2 уровня информационного взаимодействия и 6 каналов обмена информацией между п источниками и m потребителями информации [1; 2—4; 6].
Предложенная технология когнитивного моделирования (ТКМ) универсальна по отношению к объекту исследования и предметной области [2; 6].
ТКМ — итеративный цикл, предусматривающий возвраты в случае выявления ошибок и несоответствий, включающий последовательность этапов, реализующих системный анализ: идентификация объекта исследования — получение информации об исследуемом объекте; концептуализация — создание концептуальной схемы или модификация набора концептов; структурирование — разработка структурной схемы или модификация элементов концептуальной схемы; формализация — построение первого и второго уровня структуры КМ или изменение способа представления КМ; структурный анализ — верификация первого уровня структуры КМ или модификация его элементов; параметрический анализ — верификация второго уровня структуры КМ или его модификация; реализация — размещение полученной КМ в основе среды исследования, выявление несоответствий и причин затруднений при интеграции КМ; моделирование — моделирование, основанное на целостном подходе, решение про-
блем измерения и учета параметров; анализ — статистическая обработка полученных с помощью КМ данных, выявление неоднородностей, закономерностей и неоднозначностей; предметная интерпретация — интерпретация полученных зависимостей и закономерностей, научное обоснование полученных результатов; синтез — накопление новых знаний о динамике развития ситуации в предметной области, добавление новых аспектов рассмотрения объекта исследования.
Рис. 1. Структура среды автоматизированного обучения со свойствами адаптации на основе когнитивных моделей
Апостериорные данные использования ТКМ для анализа ИОС приведены в научных трудах [4; 6].
На разных этапах ТКМ используется набор методик и алгоритмов, реализующих различные функции и поддерживающих определенные стадии системного анализа среды автоматизированного обучения [6; 9]: методика использования ТКМ формализует процесс анализа ИОС; алгоритм формирования структуры КМ на базе новых способов представления вновь созданной или реконструируемой КМ; два способа представления структуры КМ (граф и структурная схема); методики исследования параметров КМ субъекта и средства обучения; алгоритм обработки апостериорных данных, полученных в ходе процедур автоматизированного тестирования уровня остаточных знаний контингента обучаемых (УОЗО) и диагностики индивидуальных особенностей личности субъектов обучения (ИОЛСО), реализуемых соответственно посредством использования основного и прикладного диагностических модулей (ДМ), входящих в систему АДО.
Для сложных ИОС АДО ТКМ предусматривает привлечение специалистов-консультантов: преподавателя, физиолога, психолога, лингвиста или методиста — эксперта в определенной предметной области; когнитолога — специалиста в области инженерии знаний, обеспечивающего корректность полученной структуры КМ; системного аналитика — специалиста в области системного анализа
и моделирования ИОС; программиста — квалифицированного специалиста, владеющего современными методами и подходами к реализации высокотехнологичных компонентов ИОС посредством разных интегрированных сред программирования (Borland C++ Builder, ASP.Net, XML).
При использовании ТКМ возможно добавление новых, удаление устаревших и модернизация существующих методик и алгоритмов для анализа разных объектов исследования в определенных предметных областей [6; 9].
В общем виде структура системы АДО формализуется посредством классической теории управления и представлена следующим образом (рис. 2).
Рис. 2. Структурная схема системы обучения на основе когнитивных моделей:
Ґ — оператор преобразования воздействий ИОС Х и обучающих воздействий (ОВ) и* в конечное состояние обучаемого У; ФИФ — формирователь информационных фрагментов обеспечивает адаптивную генерацию ОВ и* и контрольных вопросов V* с использованием адресов в БД и параметров отображения иі и VI на основе I; У* — результативность тестовых заданий рассчитывается оператором йУ (датчик) на основе состояния обучаемого У и набора вопросов V*
Задача и цель процесса формирования знаний обучаемых сводится к определению минимально и максимально возможного порога вариации УОЗО, формированию модели требуемых знаний по предмету изучения; проведению исследования ИОЛСО посредством прикладного ДМ; обеспечению возможности повышения оценки УОЗО в интервале от минимального (состояние отсутствия априорных знаний в предметной области) до максимально возможного (состояние абсолютной обученности) посредством набора информационных фрагментов; реализации индивидуально-ориентированной модели формирования знаний контингента обучаемых путем использования адаптивного средства обучения на основе блока параметрических КМ; проведению текущего, промежуточного и итогового автоматизированного тестирования контингента обучаемых посредством использования основного ДМ для констатации факта достижения определенным обучаемым порогового значения 8 — требуемого УОЗО.
Процесс АДО выдерживает требование оптимальности по времени Z* = {Q(Y*) ^ 8 & T(Y*) ^ min}, 8 — требуемый УОЗО (оценка УОЗО).
Алгоритм обучения обеспечивает автоматизированное формирование последовательности информационных фрагментов (ОВ) разного содержания:
Є( Р„+1) = Є ( Р (Р„, и„+1, е„)) ^ пш
иі,
и
П+1 •
При формировании последующего ОВ учитывается предыдущий информационный фрагмент, цели и задачи обучения и параметры КМ.
Методика использования технологии когнитивного моделирования
(рис. 3) формализует последовательность и особенности применения этапов итеративного цикла предложенной технологии для анализа и повышения эффективности формирования знаний обучаемых в ИОС системы АДО, а также ограничивает набор методик и алгоритмов используемых на каждом из них.
=3 $
с; О о; о о ^
О О I 5 с 0)
о с; ш сс
СО
I- о.
сс
со
о
О.
^ о ^ х ^ о т ^ 0^0) Я Ь с[
V ^ о
Для использования технологии когнитивного моделирования по отношению к объекту исследования в предметной области необходимо выполнить ряд условий на каждом этапе
На этапе идентификации
На этапе концептуализации
На этапе структурирования
На этапе формализации
На этапе структурного анализа
На этапе параметрического анализа
Обеспечивается сбор сведений (целей, задач, ограничений к ИОС, необходимых и достаточных для формирования структуры когнитивной модели (предусматривается привлечение экспертов при необходимости), определяется набор приоритетов ПР, модели_____________________________________________
2 | Выделяются ключевые понятия (свойства С к и параметры Пт), относящиеся к особенностям объекта исследования в предметной области. Определяются классы понятий (портреты ПР„ виды свойств ВСУ) и группы параметров (векторы параметров ВП/), задаются ОДЗ___________________________________________
3 | Определяются отношения и связи между выделенными ключевыми понятиями (свойства и параметры), их классами (портреты и виды свойств), а также группами параметров (векторы параметров),характеризующими объект исследования в предметной области
4 | Обеспечивается построение (дополнение) структуры когнитивной модели посредством использования одной из формальных (неформальных) моделей представления данных и знаний из области теории интеллектуальных систем
5 | Необходимо провести анализ связей и корреляционных зависимостей между выделенными понятиями (параметрами). Каждый портрет (ПР,-) в структуре когнитивной модели должен включать совокупность векторов параметров (ВП,)____________________________________________________________________
5 | Множество параметров в рамках различных портретов не должны пересекаться и быть противоречивыми, а полученная структура когнитивной модели должна удовлетворять целям, требованиям и ограничениям, выработанным по отношению к объекту исследования
7 | Осуществляется практическое использование когнитивной модели в основе ИОС. Полученная структура наполняется значениями параметров, которые учитываются при генерации информационно-образовательных воздействий средствами обучения
8 | Осуществляется накопление информации о состоянии объекта исследования как целостной системы и его элементах в частности, а также анализ адекватности и взаимного влияния параметров, характеризующих динамику его функционирования
9 | Проводится обработка апостериорных статистических данных моделирования и формулируются выводы об эффективности функционирования объекта исследования в целом и его элементах в частности
Ю ¡Формулируются объективные выводы на основе полученных данных с точки зрения различных предметных областей (согласно выбранному спектру аспектов рассмотрения объекта исследования)
11 ¡Формулируются задачи по совершенствованию структуры когнитивной модели в ширину и глубину с учетом результатов предметной интерпретации и динамики (прогрессивной, регрессивной) развития исследуемой ситуации (объекта)
Алгоритм формирования структуры когнитивных моделей (рис. 4) формализует последовательность (ре)конструирования имеющейся или вновь созданной структуры КМ на основе одной из существующих моделей представления данных (логическая, фреймовая, семантическая сеть, онтология) или предложенных автором моделей представления (рекомендуемых способов): ориентированный граф сочетающий элементы теории множеств и многоуровневая структурная схема, обеспечивающие наиболее наглядное представление структуры КМ.
На этапе идентификации
Исходя из полученных первичных представлений, требуется определить необходимое количество портретов (ПР,■) в основе структуры когнитивной модели достаточных для проведения анализа объекта исследования, рассматриваемого в рамках ряда научных аспектов______________________________________________________
На этапе концептуализации
На первом шаге
Необходимо выделить (добавить) множество видов свойств (ВСу), которые характеризуют объект исследования с точки зрения определенного аспекта и внести их в соответствующий портрет (ПР/) когнитивной модели
Требуется каждый вид свойств (ВСу) объекта исследования охарактеризовать набором элементарных свойств (С*)- Если в виде свойств невозможно выделить элементарные свойства, то он является элементарным свойством
На втором шаге
| Каждое элементарное свойство (Ск) объекта исследования необходимо охарактеризовать вектором параметров (ВП/). Если в элементарном свойстве невозможно выделить вектор параметров, то переходят к следующему шагу
На третьем шаге
Требуется определить элементарные параметры (Пт) входящие в основу каждого вектора параметров (ВП/). Если в векторе параметров невозможно выделить элементарные параметры, то он является элементарным параметром
На этапе структурирования
Необходимо объединить полученные результаты предыдущего этапа и сформировать структуру (вновь создаваемую или декомпозировать существующую с учетом новых компонентов и возможных ограничений)
На этапе формализации
На первом шаге
Необходимо выбрать одну из формальных (логическая, графовая, теория множеств и т.п.) или неформальных (концептуальная модель, онтология объекта исследования и т.п.) моделей представления структурных компонентов когнитивной модели. См. плакат № 11
4.11 Необходимо создать первый уровень когнитивной модели: согласно выбранным аспектам исследования и полученным ранее результатам необходимо сформировать множество портретов КМ (I), затем задать множество видов свойств (и) и множество свойств (К)__________________________________________________________
На втором шаге
Требуется создать второй уровень когнитивной модели: необходимо дополнить полученную структуру когнитивной модели (первый уровень), сформировав множество векторов параметров (1_) и задав множество параметров (М)
На этапе структурного анализа м ► 5 | Осуществляется анализ структуры полученной когнитивной модели на первом уровне — множество видов свойств (У) и свойств (К). Компоненты в соответствующих множествах качественно характеризуют объект исследования
♦
На этапе параметрического анализа 6 1 Реализуется анализ структуры полученной когнитивной модели на втором уровне — множества векторов параметров (1_) и параметров (М). Значения параметров второго уровня структуры когнитивной модели характеризуют ЛХО и не должны быть противоречивы
-4- .
На этапе реализа- к 7 | Осуществляется инкапсуляция полученной структуры когнитивной модели в основу информационно-образовательной среды. Наполнение параметров модели апостериорными данными моделирования, их статистический анализ и предметная интерпретация
Рис. 4. Алгоритм формирования структуры когнитивной модели
Понятие и способы представления структуры когнитивной модели.
КМ — (ре)конструируемый в ширину и глубину репертуар параметров, который
эшелонирован на ряд портретов (ПРг) и стратифицирован на несколько множеств, расположенных на двух уровнях иерархии:
— множество видов свойств (ВСД
— множество элементарных свойств (О,
— множество векторов параметров (ВПг)
— множество элементарных параметров (Пт) [6].
Допустимо применение одной из известных формальных, неформальных, либо предложенных автором моделей представления данных [5]:
— формальная логическая модель, основанная на применении исчисления высказываниями и предикатами первого и второго порядка;
— продукционная модель, включающая совокупность продукционных ядер (правил), которые формируют разветвленное решающее дерево;
— фреймовая модель представления структурированных данных;
— семантическая сеть, представляющая собой ориентированный граф;
— онтология предметной области, предназначенная для неформального описания слабо структурированных предметных областей.
Предлагается два способа (модели) представления структуры КМ [6]:
— ориентированный граф, сочетающий теорию множеств (рис. 5) — расширяемый в ширину и глубину репертуар параметров, эшелонированный на ряд портретов (физиологический, психологический, лингвистический) и стратифицированный на несколько множеств (множество видов свойств и множество элементарных свойств, множество векторов параметров и множество элементарных параметров), которые расположены на двух уровнях выделенной (вновь созданной) и полученной (реконструируемой) структуры КМ инвариантно предмету анализа;
— многоуровневая структурная схема (рис. 6) — расширяемый в ширину и глубину репертуар параметров, эшелонированный на ряд портретов и стратифицированный на несколько множеств, которые отражают структуру КМ без использования связей между элементами (полное отсутствие), которые расположены на двух уровнях сформированной иерархии, согласно принципу взаимной вложенности (соподчиненности).
Рис. 6. Представление когнитивной модели в виде многоуровневой схемы
Структуры когнитивных моделей субъекта и средства обучения, а также методики их исследования и алгоритм обработки апостериорных данных КМ субъекта и средства обучения содержатся в основе блока параметрических КМ, включают ряд портретов, имеющих научное обоснование:
— физиологический — физиологии сенсорных систем (В.М. Кроль);
— психологический — когнитивная психология (В.М. Дружинин);
— лингвистический — когнитивная и прикладная лингвистика (М.Л. Гик).
КМ субъекта обучения (рис. 7) концентрирует параметры, характеризующие
индивидуальные особенности восприятия, обработки и понимания субъектом обучения содержания набора информационных фрагментов, которые отражают структуру определенного предмета изучения [2; 3; 4; 6].
КМ средства обучения (рис. 8) отражает потенциальные технические возможности электронного средства обучения при реализации индивидуально-ориентированной генерации информационных воздействий различным способом посредством процессора адаптивной репрезентации информации, функционирующего на основе блока параметрических КМ [3; 4; 6; 8].
Рис. 8. Структура когнитивной модели средства обучения
Методика исследования параметров КМ субъекта обучения (рис. 9) позволяет наполнить и сохранить в БД комплекса программ актуальное множество
параметров содержащихся в сформированной структуре КМ субъекта обучения, подобрать набор методов для их исследования, обеспечить постановку и проведение серии экспериментальных исследований посредством использования прикладного ДМ [3; 4; 6; 7; 10].
На предварительном этапе
Разработанная структура когнитивной модели при помощи режима администрирования прикладного диагностического модуля переносится и сохраняется в базе данных тестов ИОЛСО
На первом \ шаге / 1.11 Выбирается или модифицируется определенный портрет (ПР;) когнитивной модели, обрабатываются все входящие в него ВИДЫ СВОЙСТВ (BCj)
На втором \ шаге / 1.21 Выбирается определенный вид свойств (ВСу), обрабатываются все входящие в него элементарные свойства (С/с)
На третьем \ шаге ? 1.31 Выбирается элементарное свойство (С*), обрабатываются все входящие в него векторы параметров (ВП/)
На четвертом \ шаге / 1 л\ Выбирается вектор параметров (ВП/), обрабатываются все входящие в него элементарные параметры (Пт)
На пятом шаге 1 5| Выбирается элементарный параметр (Пт) и устанавливается его область допустимых значений
Добавление/удаление структурного компонента модели и/или модификация его параметров
Режим администрирования тестов ИОЛСО
База данных тестов ИОЛСО
На подготовительном £ I Производится подбор методов для автоматизированной диагностики парамет-
этапе ров когнитивнои модели, а также постановка, организация и проведение экспериментальных исследований
На первом шаге
На первом шаге
На первом шаге
2.11 Осуществляется подбор и добавление в базу тестов ИОЛСО новой методики исследования параметра(ов) (Пт)
LÍ
2-Ц Обеспечивается программная реализация методики исследования в основе прикладного диагностического модуля
Осуществляется интеграция программной реализации новой методики исследования в структуру прикладного диагностического модуля
Новая процедура диагностики параметров
Прикладной
диагностический
модуль
На этапе тестирования
Ж Реализуется автоматизированная диагностика параметров когнитивной модели субъекта обучения посредством прикладного диагностического модуля, находящегося в составе комплекса программ
На первом \ шаге ? 3.11 Диагностика параметров первого портрета когнитивной модели (ПР1) посредством набора прикладных методов исследования, содержащихся в базе данных тестов ИОЛСО
... |
На/'-м \ шаге / 3 /1 Диагностика параметров /-го портрета когнитивной модели (ПР,) посредством набора прикладных методов исследования, содержащихся в базе тестов ИОЛСО
Режим диагностики параметров когнитивной модели
База данных апостериорных результатов исследования
Автоматизированный (ручной) расчет рекомендуемых значений параметров когнитивной модели средства обучения (типы, виды и способы отображения информации) на основе анализа значений параметров когнитивной модели субъекта обучения (параметры, характеризующие ИОЛСО)________________________
Реализуется автоматизированная индивидуально-ориентированная репрезентация информационных фрагментов посредством адаптивного электронного учебника, оперирующего на основе блока параметрических когнитивных моделей
Методика исследования параметров КМ средства обучения (рис. 10) позволяет настроить компоненты комплекса программ, добавить новую процедуру в основе процессора адаптивной репрезентации информационных фрагментов, а также рассчитать оптимальное сочетание значения параметров отображения информационных фрагментов для каждого обучаемого.
Автоматизация процесса индивидуально-ориентированного отображения информационных фрагментов достигается посредством использования разработанного адаптивного средства обучения, основной ДМ обеспечивает тестирование УОЗО, прикладной ДМ реализует диагностику ИОЛСО.
Методики исследования параметров КМ субъекта и средства обучения позволяют обеспечить организацию, постановку и проведение серии экспериментов для диагностики ИОЛСО, а также корректно настроить программный комплекс для автоматизации задач исследования ИОС и системы АДО.
Алгоритм обработки апостериорных данных (рис. 11) позволяет сформировать интервальную шкалу и функцию оценивания, подготовить программное обеспечение для реализации процедуры автоматизированного тестирования контингента испытуемых, обеспечить первичную и вторичную математическую обработку полученных выборок апостериорных данных на основе множества подобранных коэффициентов и статистических методов, оценить качество и модифицировать последовательность заданий содержащихся в используемых тестах и методах исследования ИОЛСО.
Комплекс программ (рис. 12) предназначен для автоматизации задач исследования ИОС, а также реализует технологию адаптивного обучения [3; 6—8; 10; 11].
Таким образом, можно сделать следующие выводы.
Практическое использование научных и практических результатов осуществлялось в учебном процессе Международного банковского института и Санкт-Петербургского государственного электротехнического университета (ЛЭТИ) (имеются акты). Получены 3 авторских свидетельства.
Оценка эффективности результатов исследования производилась с использованием общепринятых показателей эффективности (результативности) обучения:
К = {; к2; кз} = \у2 - ¥х; 100%
где коэффициенты к1, к2, к3 соответственно обозначают абсолютный, сравнительный и относительный показатели эффективности (результативности) формирования знаний контингента обучаемых [12; 13], а результаты статистической обработки апостериорных данных серии экспериментов обобщены в табл. 1.
На предварительном этапе
На этапе отладки
Л__| Разработанная структура когнитивной модели средства обучения при помощи
режима администрирования прикладного диагностического модуля переносится и сохраняется в настройках адаптивного средства обучения (электронного учеб-
На первом \ шаге / j_jJ Выбирается или модифицируется определенный портрет (ПР,) когнитивной модели, обрабатываются входящие в него ВИДЫ СВОЙСТВ (ВС;)
На втором \ шаге / 1 — 1 Выбирается определенный вид свойств (ВСу) обрабатываются все входящие в него элементарные свойства (С/с)
На третьем \ шаге / 1 -31 Выбирается элементарное свойство (С/<), обрабатываются все входящие в него векторы параметров (ВП/)
На четвертом \ шаге ? 1 -41 Выбирается вектор параметров (ВП/), обрабатываются все входящие в него элементарные параметры (Пт)
На пятом N. шаге / 1.51 Выбирается элементарный параметр (Пт) и устанавливается его область допустимых значений
Добавление/удаление структурного компонента модели и/или модификация его параметров
Режим администрирования средства обучения
Сохранение
параметров
настройки
На подготовительном этапе
| Проводится анализ жизненного цикла программной реализации адаптивного средства обучения, выявляются функциональные возможности отображения информации на основе технического описания для модифицируется набор параметров КМ средства обучения___________________________________________________
На первом N. шаге / 2.11 Анализ возможности технической реализации представления информации, учитывая новый параметр отображения
На первом \ шаге 2.21 Обеспечивается программная реализация процедуры (алгоритма) в основе процессора адаптивной репрезентации информации средства обучения
На первом \ шаге 2.3| Осуществляется интеграция программной реализации новой процедуры (алгоритма) отображения в структуру процессора адаптивной репрезентации информации
Новая процедура в основе процессора адаптивной репрезентации
Адаптивное средство обучения (электронный учебник)
Реализуется проверка значений параметров когнитивной модели средстваобуче-ния используемых адаптивным средством обучения, во избежание некорректного отображения информации в процессе автоматизированного обучения
На первом \ шаге / 3.1 Верификация значений параметров первого портрета когнитивной модели (ПР1) установленных вручную или посредством процедуры автоматического расчета
... +
На /'- м \ шаге / 3./1 Верификация значений параметров /-го портрета когнитивной модели (ПР,) установленных вручную или посредством процедуры автоматического расчета
Процедура автоматического расчета значений параметров
Форма для установки значений параметров вручную
Реализуется автоматизированный (ручной) расчет рекомендуемых значений параметров когнитивной модели средства обучения (типы, виды и способы отображения информации) на основе значений параметров когнитивной модели субъекта обучения (характеризуют ИОЛСО)____________________________________________
Реализуется автоматизированная индивидуально-ориентированная репрезентация информационных фрагментов посредством адаптивного электронного учебника, оперирующего на основе блока параметрических когнитивных моделей
Рис. 10. Методика исследования когнитивной модели средства обучения
На предварительном этапе
1 | В результате анализа вопрос-ответных структур теста достигается расчет показателей, необходимых для проведения тестирования: формируется интервальная шкала и функция оценивания
Ь0 = 0;
= и
На первом шаге
На втором шаге
1 I Задаются нижнее и верхнее пороговые значения сумм ответов (баллов) для выставления соответствующих номиналов оценок
На третьем шаге
На четвертом4 шаге
1.11 Определяется максимально и минимально возможное число правильных ответов для процедуры оценивания и формирования функции оценивания
1 -31 Формируются промежуточные границы
интервалов на основе сумм правильных ответов (баллов) для задания промежуточных номиналов оценок (формируется интервальная шкала)
1 -4 I На основе интервальной шкалы задается
функция оценивания
[Ь 0 = 0 ] — оценка (номинал) = 1;
[Ь\, Ь2] — оценка 0номинал) = 2;
[Ь 2, Ъ з ] — оценка 0номинал) = 3;
[Ьз, Ь4] — оценка 0номинал) = 4;
[Ь4, Ь5 — п] — оценка {номинал) = 5; Ь0<Ь1<Ь2<ЬЪ<Ь4<Ь5
1, Ь0 < х<Ь1;
2, Ь1< х < Ь2; ц (х)= < 3, Ь2< х < Ь3;
4, Ь3 < х< Ь4;
5 Ь < х< Ь =п;
На этапе тестирования
2 | Осуществляется подготовка программного обеспечения к тестированию целевых показателей. Интервальная шкала и функция оценивания в режиме администрирования вносится для обеспечения функционирования алгоритмической структуры______________________________________________________
На этапе анализа результатов
ТГ Накопленные апостериорные данные подвергаются статистической обработке, позволяющей провести анализ и сформулировать выводы о текущем состоянии (уровень остаточных знаний испытуемого и личностные характеристики)
3.11 Коэффициент сложности задания, исходя из значения которого определяется: при К > 0,9 — задание является сложным, при К < 0,2 — задание является легким
3.2
Суммарный результат выполнения заданий /- м учащимся
3.31 Суммарный результат выпол-ненияу-го го задания всеми учащимися
.41 Средний уровень тестирования по результатам выполнения всех заданий
3.51 Средний уровень выполнения у-го задания всеми учащимися
3.61 Дисперсия суммарных баллов тестируемых
3.7| Стандартное отклонение суммарных баллов тестируемых
3.81 Дисперсия результатов тестирования поу-му заданию
3.91 Стандартное отклонение результатов тестирования по у-му заданию
7= -
XV
1=1
N
і=1
N
3.101 Оценка связи каждого у-го задания с суммой баллов по всему тесту
КГ1Г
І М>2 ¡ = 1
N
■р,г
О 1 1
I Среднее арифметическое экспертных оценок
N N -1
I
б2=—----------
7 N -1
6^= лГ^у
3.121 Стандартное отклонение экспертных оценок
N
3.131 Коэффициент корреляции результатов тестирования и независимых экспертных оценок(валидность теста) __________________
57 =
N -1
N
N-I
Рис. 11. Алгоритм обработки апостериорных данных тестирования
Рис. 12. Структурно-функциональная схема комплекса программ
Таблица 1
Результаты первичного статистического анализа результативности обучения
Показатель Номер группы обучаемых
1 2 3 4 5 6 7 8
Показатели результативности обучения за 2004 г.
Объем выборки 20 21 25 18 18 15 0 0
Средний балл У, 4,05 4,286 4,24 4,611 4,056 4,4 — —
СКО ср. балла 0,686 0,845 0,779 0,502 0,802 0,507 — —
Показатели результативности обучения за 2005 г.
Объем выборки 24 22 24 25 24 22 23 21
Средний балл У2 4,333 4,046 4,375 4,16 4,042 4,091 4,696 4
СКО ср. балла 0,817 0,785 0,824 0,8 0,859 0,811 0,559 0,894
Показатели результативности обучения за 2006 г. (с исп. ТКМ в трех группах)
Объем выборки 26 23 29 24 25 22 22 22
Средний балл У3 4,5 4,609 4,379 3,708 3,92 3,773 4,455 3,818
СКО ср. балла 0,707 0,656 0,775 0,751 0,572 0,612 0,858 0,853
Итоги статистического анализа
Показатели, отражающие изменение эффективности обучения за 2004- 2005 гг.
к, 0,283 -0,240 0,135 -0,451 -0,014 -0,309 — —
к2 1,07 0,944 1,032 0,902 0,997 0,93 — —
кз, % 6,996 -5,606 3,184 -9,781 -0,345 -7,023 — —
Изменение СКО 0,131 -0,06 0,045 0,298 0,057 0,304
Показатели, отражающие изменение эффективности обучения за 2005- 2006 гг.
к, 0,167 0,563 0,004 -0,452 -0,122 -0,318 -0,241 -0,182
к2 1,039 1,139 1,001 0,891 0,97 0,922 0,949 0,955
кз, % 3,854 13,915 0,091 -10,865 -3,018 -7,773 -5,132 -4,55
Изменение СКО -0,11 -0,129 -0,049 -0,049 -0,287 -0,199 0,299 -0,041
Полученные в результате регрессионного анализа апостериорных данных значения коэффициента множественной корреляции (КМК = 0,558) и коэффициента множественной детерминации (КМД = 0,312) свидетельствуют, что 31,2%
дисперсии зависимой переменной У і (оценка УОЗО) определяется вариацией значений коэффициентов (предикторов) Кі находящихся в основе полученной линейной регрессионной модели У(К). Значения исходных (в) и стандартизованных коэффициентов (Р') линейной регрессионной модели У (К) представлены
в табл. 2—3. Константа равна 4,653.
Таблица 2
Значения исходных в и стандартизованных коэффициентов в'
Предиктор Уссг к7 к8 к9 К14 К15 К16 К17 К„ К19
Значение исходного р-коэффициента -0,006 -0,002 -0,156 0,121 0,064 -0,029 0,006 —0,074 0,025 —0,009
Стандартизованный р-коэффициент -0,017 -0,010 -0,714 0,611 0,247 -0,104 0,034 —0,262 0,159 —0,052
Таблица 3
Значения исходных Р и стандартизованных коэффициентов Р' (продолжение)
Показатель К20 К21 К22 К23 К24 К25 К27 К>8 К* К45
Значение исходного р-коэффициента -0,026 0,001 0,035 0,013 0,009 -0,008 -0,111 -0,008 0,032 0,022
Стандартизованный р-коэффициент -0,147 0,002 0,182 0,052 0,052 -0,113 -0,226 -0,018 0,172 0,037
Предикторы в полученной линейной множественной регрессионной модели:
а фактором (зависимой переменной) выступает результативность обучения У. Тогда уравнение множественной регрессии принимает вид
ТКМ позволяет реализовать дополнительный контур адаптации на основе блока параметрических КМ, а также провести комплексный системный анализ ИОС направленный на повышение эффективности функционирования системы АДО и результативности процесса формирования знаний контингента обучаемых.
В ходе дискриминантного анализа осуществлялось выделение нескольких групп обучаемых в зависимости от показателя результативности (эффективности) обучения (оценка УОЗО): «5» — отличники; «4» — хорошисты; «3» — троечники.
Рис. 13 отражает геометрическую интерпретацию относительного расположения центроидов классов, которые соответствуют выделенным для анализа группам обучаемых в пространстве координат двух канонических функций.
У = 4,653 - 0,006Гогг - 0,002К7 - 0,156К8 + 0,121К9 + 0,064К14 -
- 0,029К15 + 0,006К16 - 0,074К17 + 0,025К18 - 0,009К19 - 0,026К20 + + 0,001К21 + 0,035К22 + 0,013К23 + 0,009К24 - 0,008К25 - 0,111К27 -
- 0,008К28 + 0,032К29 + 0,022К45.
Канонические дискриминантные функции
ф
4-
Ф
У — УОЗО
0
0 3 —троечники
4 — хорошисты О 5 — отличники
е
о
о
-2 -
О
о
0
2
4
Функция 1
Рис. 13. Центроиды разных классов обучаемых в пространстве канонических функций
ЛИТЕРАТУРА
[1] Ветров А.Н. Факторы успеха в образовательной деятельности вуза: Тенденции развития информационной среды дистанционного образования / А.Н. Ветров, Н.А. Ветров; колл. монография под ред. И.Н. Захарова. — СПб.: МБИ, 2004. — С. 54—65.
[2] Ветров А.Н. Факторы успеха в образовательной деятельности ВУЗа: Когнитивная модель для адаптивных систем дистанционного обучения / А.Н. Ветров, Е.Е. Котова; колл. монография под ред. И.Н. Захарова. — СПб.: МБИ, 2004. — С. 65—78.
[3] Ветров А.Н. Особенности структуры информационной среды адаптивных систем ДО // А.Н. Ветров, Н.А Ветров. Актуальные проблемы экономики и новые технологии преподавания: Материалы IV междунар. науч.-практ. конф., С.-Петербург, 15—16 марта 2005. — СПб.: МБИ, 2005. — С. 45—46.
[4] Ветров А.Н. Информационная среда автоматизированного обучения на основе когнитивных моделей / А.Н. Ветров, Е.Е. Котова, Н.Н. Кузьмин // Известия Международной академии наук ВШ, № 3(37). — М.: МАН ВШ, 2006.
[5] Ветров А.Н. Особенности развития теории информации и информационных технологий на пороге XXI века: Монография. — М.: Деп. РАО, 2007.
[6] Ветров А.Н. Среда автоматизированного обучения со свойствами адаптации на основе когнитивных моделей: Монография. — М.: Деп. РАО, 2007.
[7] Ветров А.Н. Программный комплекс для исследования адаптивной информационнообразовательной среды на основе когнитивных моделей // А.Н. Ветров. Современное образование: содержание, технологии, качество: материалы XIII междунар. науч.-практ. конф., С.-Петербург, 19 апреля 2007. — СПб.: СПбГЭТУ, 2007. — С. 142—144.
[8] Ветров А.Н. Адаптивное средство обучения в автоматизированной образовательной среде на основе блока параметрических когнитивных моделей // А.Н. Ветров. Управление качеством в современном ВУЗе: Материалы V междунар. науч.-метод. конф., Санкт-Петербург, 21—22 июня 2007. — СПб.: МБИ, 2007. — С. 110—113.
[9] Ветров А.Н. Методики и алгоритмы в основе технологии когнитивного моделирования // А.Н. Ветров // «Управление качеством в современном вузе»: материалы V междунар. на-уч.-метод. конф., Санкт-Петербург, 21—22 июня 2007. — СПб.: МБИ, 2007. — С. 86—89.
[10] Ветров А.Н. Реализация адаптивного обучения в автоматизированной образовательной среде на основе когнитивных моделей // Известия СПБГЭТУ «ЛЭТИ». Вып. 1, Изд-во СПбГЭТУ «ЛЭТИ», 2007.
[11] Ветров А.Н. Электронный учебник на основе процессора адаптивной репрезентации информационных фрагментов в автоматизированной образовательной среде. — М.: Деп. ВИНИТИ РАН, 2008.
[12] Дружинин В.Н. Структура и логика психологического исследования. — М.: ИПРАН, 1994.
[13] Мириманова М.С. Информационно-когнитивные процессы. — М.: Прометей, 1989.
THE COGNITIVE MODELING TECHNOLOGY IN AUTOMATED EDUCATIONAL ENVIRONMENT
A.N. Vetrov
St.-Petersburg state electrotechnical University (LETI)
Prof. Попова str., 5, St.-Petersburg, Russia, 197376 For the decision of a complex scientific problem of creation, system analysis and increase functioning efficiency of the automated training environment with adaptation properties based on cognitive models the new cognitive modelling technology is offered, it includes: technique of its use, algorithm of cognitive models formation, technique of cognitive models parameters research, algorithm of processing aposteriore data of testing, and also a complex of programs
