автореферат диссертации по документальной информации, 05.25.05, диссертация на тему:Автоматизированная информационная система адаптивного обучения на основе компетентностного подхода

На правах рукописи

Шана Маха Акрам

АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА АДАПТИВНОГО ОБУЧЕНИЯ НА ОСНОВЕ КОМПЕТЕНТНОСТНОГО

ПОДХОДА

05.25.05 - Информационные системы и процессы

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

Нальчик - 2014

005547986

005547986

Работа выполнена в ФГБОУ ВПО «Кабардино-Балкарский государственный

университет им. X. М. Бербекова»

Научный руководитель: кандидат технических наук, доцент

Шаков Хасанби Кужбиевич

Официальные оппоненты: Камаев Валерий Анатольевич, доктор

технических наук, профессор, Волгоградский государственный технический университет, кафедра Системы автоматизированного проектирования и поискового конструирования, заведующий кафедрой.

Свиридов Александр Славьевич, кандидат технических наук, доцент, Южный федеральный университет, кафедра системного анализа и телекоммуникаций, доцент.

Ведущая организация: ФГБУН «Институт информатики и проблем

регионального управления Кабардино-Балкарского научного центра РАН», г. Нальчик

Защита состоится «18» июня 2014 г. в 13.00 часов на заседании диссертационного совета Д 212.208.25 Южного федерального университета по адресу: 347928, Ростовская обл., г. Таганрог, ул. Чехова 2, ауд. И-409.

С диссертацией можно ознакомиться в библиотеке и на сайте Южного федерального университета по адресу ЬйрУ/ЬиЬ.бГеёи.ги/^з/алпоипсететБ/соипсН/Ш.

Автореферат разослан « » апреля 2014 г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

А|стуальность темы исследования. На сегодняшний день развитие информационных технологий и их использование в различных областях знаний позволяет перейти на новый качественный >ровень высшего профессионального образования. Динамизм современного рынка труда формирует запрос не только на знания, но и на компетенции, и навыки специалистов. Это привело к повсеместному внедрению компетентностного подхода, в том числе и в России, где на его основе разработан действующий федеральный государственный образовательный стандарт.

Современные исследователи (A.B. Хуторской, М. Л. Зуева, Т. Л. Анисова) отмечают, что невозможно эффективно реализовать и актуализировать компетентностный подход без применения адаптивных методов обучения и контроля. В их работах, а также в трудах А. Нуссбаумера, У. Нсупера, Д. Петерза, Л. Хаака, Дж. Гомеза, Н. Фаддоули, М. Идрисси разработаны основы методологии адаптивного обучения на базе комптентност-ного подхода.

Высокие темпы роста потоков информации, появление новых специальностей, изменение парадигмы, моделей и методов обучения привели к необходимости широкого внедрения в образовательный процесс автоматизированных информационных и управляющих систем и комплексов. Разработка и внедрение таких решений, в свою очередь, требуют создания системного обеспечения адаптивного обучения на основе компетентностного подхода. В частности, необходимо разработать основные принципы, математические модели и методы, алгоритмы обработки информации и принятия решений для поддержки процесса адаптивного обучения.

Модели и методы управления адаптивным обучением на основе компетентностного подхода были предложены в работах И. Д. Столбова, Л. Р. Фионова.

В работах Г.А. Балл, A.M. Довгялло, Е.И. Машбиц, В.Д. Габричидзе, Л.В. Зайцевой, Л.П. Новицкого, A.B. Дрынкова, Ю.И. Лобанова, А.Д. Селиванова, В.В. Съедина, B.C. Токаревой, Л. А. Растригина, М.Х. Эренштейна, E.H. Пасхина, А.Н. Печникова по моделированию процессов компьютерного обучения и реализации адаптивных алгоритмов функционирования обучающих систем показано, что адаптация в подобных системах требует учета индивидуальных особенностей обучающихся и выбора оптимальных параметров учебного процесса, т.е. решения задач оптимального обучения. В частности, адаптивное обучение предполагает анализ хода обучения и оценку критерия перехода на новый уровень обучения и проводится с помощью заданного уровня сложности обучающего материала, а также - применения некоторого механизма адаптации. Адаптивный алгоритм контроля знаний требует оценки статистических признаков и характеристик обучения динамически на каждом шаге тестирования. В адаптивную модель обучения, с целью повышения эффективности учебного процесса, включаются элементы разноуровневого обучения, которое, в свою очередь, является дифференцированным, учитывающим основные свойства личности (т.е. личностно-ориентированным). Учебный процесс идет со скоростью, определяемой выбранными гипотезой и моделью обучения.

Анализ указанных работ выявил основную проблему - отсутствие единой методологии автоматизированной обработки информаг{ии и управления в системах адаптивного обучения на основе компетентностного подхода, учитывающей вышеприведенные требования и факторы.

Таким образом, проблема разработки математического, информационного, программного и организационного обеспечения автоматизированных информационных систем адаптивного обучения на основе компетентностного подхода является актуальной.

Целью данной диссертационной работы является разработка и реализация комплекса взаимосвязанных моделей и алгоритмов автоматизации адаптивного обучения на основе компетентностного подхода.

Для достижения сформулированной цели в диссертации были поставлены следующие основные задачи:

1. Провести анализ эффективности существующих моделей, методов и алгоритмов автоматизации адаптивных обучающих и тестирующих систем, использующихся в сфере высшего профессионального образования.

2. Разработать концептуальную информационно-логическую модель автоматизации процессов адаптивного обучения на основе компетентностного подхода.

3. Разработать комплекс взаимосвязанных математических моделей адаптивного обучения на основе компетентностного подхода, соответствующих предложенной концептуальной информационно-логической модели.

4. Разработать алгоритмы обработки информации и принятия решений для поддержки процессов адаптивного обучения и контроля, анализа и прогноза результатов обучения, оценки различных образовательных предпочтений и траекторий.

5. Разработать прикладную автоматизированную информационную систему адаптивного обучения и контроля, реализующую предложенные модели и алгоритмы с целью эффективного формирования у обучающихся компетенций высшего профессионального образования.

Объектом исследования является автоматизация адаптивного обучения на основе компетентностного подхода.

Предметом исследования является разработка математического, информационного, программного и организационного обеспечения адаптивного обучения на основе компетентностного подхода на базе комплекса взаимосвязанных моделей, методов и алгоритмов.

Методы исследования. Для достижения поставленных целей и решения задач в диссертационной работе использовались: методы и технологии математического моделирования, численных методов, теории вероятностей и математической статистики, теории множеств, системного анализа и обработки информации, объектно-ориентированного проектирования, проектирования автоматизированных систем. Разработка программ для реализации поставленных целей проведена на языках программирования С++ (Qt 4.7.0, с использованием HTML 5.0), С++ Builder, С# и SQLite. Разработка мультимедийной поддержки велась с использованием Macromedia flash (на языке ActionScript).

Достоверность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается использованием современных методов проведения научных исследований, корректным применением математического аппарата. Достоверность выводов относительно эффективности предложенных моделей и алгоритмов автоматизации процессов адаптивного обучения на основе компетентностного подхода подтверждена их реализацией и практикой применения.

Научной новизной обладают следующие полученные результаты:

1. Разработана концептуальная информационно-логическая модель процесса автоматизации адаптивного обучения, отличающаяся от известных моделей тем, что она учитывает содержание, структуру и взаимосвязи организационного, математического и алгоритмического обеспечения проектирования и разработки полного цикла обучения на оспове компетентностного подхода.

2. Разработана обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения, отличающаяся от известных наличием идентификации параметров саморегуляции системы, учитывающих влияние основных факторов, воздействующих на уровень обученности.

3. Разработана алгоритмическая модель критериально-ориентированного обучения, отличающаяся от известных возможностью адаптации сложности учебного материала на основе расчета оптимальной критериальной нормы.

4. Разработана стохастическая модель процесса освоения компетенций, отличающаяся от известных наличием анализа динамики освоения компетенций и поддержки адаптивного управления траекторией обучения с помощью марковских цепей.

Практическая значимость диссертации. На основе предложенного комплекса взаимосвязанных моделей и алгоритмов автоматизации адаптивного обучения на базе компетентностного лодхода разработана автоматизированная информационная система адаптивного обучения и контроля. Применение этой системы в учебном процессе позволило реализовать адаптивное обучение студентов по индивидуальным траекториям, повысить эффективность усвоения компетенций в среднем на 15-20 %, сократить время выполнения самостоятельной работы на 28,5 % и увеличить количество выполняемых заданий на 20 процентов. Полученные в диссертации результаты в области организационного, информационного, математического, алгоритмического обеспечения процесса автоматизации адаптивного обучения могут быть использованы при разработке автоматизированных информационных и управляющих систем, предназначенных для внедрения в высших профессиональных образовательных учреждениях, реализующих учебные программы на основе компетентностного подхода в соответствии с ФГОС ВПО.

Реализация и внедрение результатов работы. Разработанная автоматизированная система внедрена на кафедре системного анализа и компьютерных технологий управления ФГБОУ ВПО Кабардино-Балкарский государственный университет им. X. М. Бербекова для поддержки учебного процесса по специальности 230105.65 «Программное обеспечение вычислительной техники и автоматизированных систем» и по направлениям 230100.62 «Информатика и вычислительная техника» и 220400.62 «Управление в технических системах». Результаты и материалы диссертации используются в циклах лекций и практических занятий по дисциплинам «Моделирование систем», «Информационные технологии», «Электротехника и электроника» и «Метрология, стандартизация и сертификация» на Факультете Информатики и управления указанного ВУЗа.

Отдельные компоненты разработанной автоматизированной информационной системы адаптивного обучения внедрены в образовательную систему «EduWave», которая представляет собой комплексную платформу электронного обучения компании «Integrated Technology Group» (г. Амман, Иордания), что подтверждено соответствующими актами.

Основные положения, выносимые на защиту:

1. Концептуальная информационно-логическая модель автоматизации процессов адаптивного обучения на основе компетентностного подхода.

2. Обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения.

3. Алгоритмически модель адаптивного обучения на основе критериальной нормы.

4. Стохастическая модель адаптивного процесса освоения компетенции на основе марковских цепей.

5. Комплекс алгоритмов интегральной оценки решений, принимаемых в процессе адаптивного управления обучением.

6. Автоматизированная информационная система адаптивного обучения и контроля. ■

Апробация результатов исследования. Основные результаты работы докладывались, обсуждались и долучили одобрение на всероссийской конференции «Смешанное и корпоративное обучением (п. Дивноморское - Ростов-на-Дону, 2007), всероссийской научно-практической Интернет-конференции «Дополнительное профессиональное образование в условиях модернизации» (Ярославль, 2009), XII Всероссийской (с международным участием) научно-практической конференции «Теория и практика измерения латентных переменных в образовании и других социальных и экономических системах» (Славянск-на-Кубани, 2009), II Международной научно-практической конференции «Информационные технологии в гуманитарном образовании» (Пятигорск, 2009), международной научной конференции студентов, аспирантов и молодых ученых «Перспектива-2009» (Нальчик, 2009) и «Перспектива-2011» (Нальчик, 2011), II Всероссийской научно-практической интернет-конференции «Дополнительное профессиональное образование в условиях модернизации» (Ярославль, 2010), региональной научно-методической конференции «Актуальные проблемы балльно-рейтинговой аттестации студентов» (Нальчик, 2010), международной научно-технической конференции и Российской научной школе молодых ученых и специалистов «Системные проблемы надёжности, качества, информационно-телекоммуникационных и электронных технологий в управлении инновационными проектами (Инноватика - 2010)» (Москва - Сочи, 2010), V и VI Всероссийской научной конференции «Наука и устойчивое развитие» (Нальчик, 2011) и (Нальчик, 2012), III международной конференции «Автоматизация управления и интеллектуальные системы и среды (АУИСС - 2012)» (Махачкала 2012) и IV Международной научно-технической конференции «Технологии разработки информационных систем» (Таганрог-2013).

Публикации. Основные результаты диссертации отражены в 24 опубликованных научных работах, в том числе 5 - в изданиях, рекомендованных ВАК для публикаций основных результатов кандидатских диссертаций. Получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников и приложений. Основное содержание диссертации изложено на 182 страницах, включая список литературы из 150 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении излагаются актуальность темы диссертационной работы, ее цели, задачи, предмет и объект исследования, научная новизна, практическая значимость работы, степень достоверности, апробация результатов и положения, выносимые на защиту.

В первой главе проведен анализ методов и систем автоматизации компетентностно ориентированного адаптивного обучения и тестирования. Показано, что развитие современных информационных технологий привело к необходимости и возможности разработки эффективных адаптивных электронных обучающих систем, базирующихся на моделях обучаемых, которые позволяют разрабатывать индивидуальные учебные траектории и интерфейсы компьютерных учебных курсов. Представлен обзор существующих математических и статистических моделей адаптивного обучения и тестирования. На основании проведенного анализа сделан вывод об отсутствии единой методологии проектирования и разработки автоматизированных информационных систем адаптивного обучения на основе компетентностиого подхода.

Проведен аналитический обзор ряда популярных автоматизированных информационных систем адаптивного обучения и контроля. Показано, что в существующих системах не реализован полный цикл процессов управления адаптивным обучением на основе компетентностного подхода.

Вторая глава посвящена разработке математического обеспечения процессов автоматизации адаптивного обучения на основе компетентностного подхода.

В частности, разработана концептуальная информационно-логическая модель автоматизации процессов адаптивного обучения на основе компетентностного подхода. На основании требований к автоматизированным системам адаптивного обучения, представленным на рисунке 1, разрабатываются соответствующие модели и алгоритмы, которые, в свою очередь, являются основой для реализации адаптивной информационной системы управления обучением и тестированием.

Адаптивная автоматизированная система обучения формируется на основе модели обучаемого, которая позволяет организовать адаптивное управление всем процессом обучения. При самостоятельном формировании модели обучаемого с динамическими параметрами настройки можно обеспечить максимальную адаптационную способность системы. В такой модели решение о продвижении на следующий продуктивный уровень обучения принимается на основе текущих значений параметров модели обучаемого.

Адаптивную автоматизированную обучающую систему А представим кортежем

вида:

А - {С, М, В,Е,1,Е],

где О - гипотеза обучения, М- адаптивная модель обучаемых или множество их категорий, В - база знаний курса, Е - дидактические единицы курса, К - множество компонентов обучения, точнее, множество их соответствий дидактическим единицам, множеству Е, 1 - множество интерфейсов, используемых для доставки учебного материала (обучения), алгоритм (алгоритмы) реализации адаптивной индивидуальной учебной траектории и интерфейса для нее, алгоритм выбора оптимального (рационального, локально-оптимального) пути к наиболее подходящей для обучаемого информации из общей базы знаний.

В настоящее время нет общепринятого определения понятия «модель обучаемого». Ее обычно понимают как кортеж М =<0,Р,С>, где О - множество определенных характеристик (параметров), Р - совокупность правил, задающих характер взаимодействия процесса обучения и обучаемого, С - механизм адаптации процесса обучения.

В адаптивном обучении рассматриваются модели, в которых объект или субъект представлен в виде набора параметров и соответствующих им значений. Суть задачи состоит в определении класса объекта обучения по имеющимся данным о результатах прохождения пути обучения. Каждый пример может быть описан парой «параметр-значение» и приписывается к тому или иному классу объектов (профилей).

Требования к автоматизированным системам адаптивного обучения на основе компетентностного подхода

Соответствующие модели и алгоритмы адаптивного обучения и тестирования

Автоматизированная информационная система адаптивного обучения и контроля

Гарантирование среднемноголетнего уровня обучености всех обучающихся 1

Оптимизация и адаптация процесса обучения 1

¡Прогнозирование эволюционных (адаптационных) возможностей систем 1_

(Принятие соответствующего решения по управлению качеством обучения У

¡Адаптивное управление процессом обучения ]—

*

Обеспечение управления ходом обучения р"

1 Контроль переходов по следующим уровням обучения 1

(Определение параметров саморегуляции системы (уровень обучености) I

Мониторинг уровня обучености каждого обучаемого

\

¡Проектирование индивидуальной учебной траектории (стратегии обучения)

¡Повышение эффективности адаптивных электронных обучающих систем '

Предъявление обучаемому последовательное™ квантов учебного материала 1

Оценка обучености

¡Оценка степени усвоения учебного материала

1

| Оценка эффективности обучения |—

Критериальио-орисктпровакный подход

Критериальные нормы

>

чсскяя модель адаптивного обучения ня основе критериальной нормы

/ N

Алгоритмическая модель кртериольно-ориентированного адаптивного обучения

J

Обобщенвяя витегряльвая мультипликативная мяте мзтическяя модель адаптивного процесса обучения

Модель самоорганизации обучающего процесса

(интегральная модель обучения) +

Алгоритм идентификации параметров саморегуляции ; системы. учитывающих влияние основных факторов воздействующих на уровень обученное™

Модель обучаемого

Механизм адаптации

/

Параметризация модели обучаемого

Стохастическая модель адаптивного процесса освоение компетенции ня освове марковских цеаей

Алгоритмы подготовка к обучению в тестированию

Алгоритмы авялиэя в прогноза результатов обучения и тестирования

Алгоритмы оценки образовательных предпочтений в траекторий

Электронный справочник для са мостоятел ьной работы студентов

^ Автоматизированное пособие для ^ формирования исследовательских навыков

Мультимедийная поддержка для самостоятельной работы

Компетентностные характеристики при решении учебно-исследовательских задач

Система подготовки н проведения адаптивного тестировании (АРМ преподавателя, тьютора, тестологя)

Серверная подсистема АРМ (Модуль администратора)

Клиентская подсистема АРМ

л

Комплекс алгоритмов н программ поддержки принятия решений, принимаемых в процессе адаптивного управления обучением

Рис Л. Концептуальная информационно-логическая модель автоматизации процессов адаптивного обучения на основе

компетентностного подхода

Пусть имеется ряд свойств, которым должна удовлетворять выбранная модель обучения (адаптивный метод обучения). По парамегризируемому профилю обучаемого £°, которому соответствуют выбранные значения параметров г" = построена

соответствующая модель обучения М. Для каждого набора параметров Г' процедура выбора определяет из конечного множества профилей обучения, удовлетворяющих модели М, единственный профиль £', о котором будем говорить, что он похож на профиль £°, либо «сообщает» об отсутствии похожего профиля.

Преподавателю необходимо, чтобы принцип выбора удовлетворял бы некоторым следующим свойствам:

Свойство 1 (рефлексивность) следует из того, что выбор для значений параметров, совпадающих со значениями параметров профиля £, дает сам профиль £: Е & Е(профиль идентичен себе при любом наборе значений параметров).

Свойство 2 (симметричность) следует из того, что модель обучаемого единственна при двух одинаковых (похожих, релевантных) профилях обучаемого и использование этой модели на двух профилях со значениями г" и г1 дает «симметричный ответ»: £° =£' =>£■'

Свойство 3 (транзитивность) - отражение известного факта транзитивности в метрическом пространстве (по мере близости, релевантности или метрики): £° = £', £' « £2 => Е° = Е1.

Свойство 4 (однозначность) обеспечивается тем, что начиная с двух различных моделей обучения, похожих по целям, результатам (при одинаковых значениях параметров) получим один и тот же профиль обучаемого: Е{ = Е2, ?(£') = г(Е2)=> £"' = Е2.

Свойство 5 (непрерывность) означает, что профиль и выбранный его аналог по критериям адекватности (релевантности) и целям обучения не должны значительно отличаться друг от друга при достаточно близких значениях параметров адаптивного обучения: Е"Е или же |г'-г2|<^=>||£' -£г|<г (по выбранному критерию релевантности профили близки, если близки векторы параметров).

Применение этих свойств модели для нахождения стратегии обучения подробно рассмотрено диссертационной работе.

Разработана обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения. С целью описания свойств самоорганизации обучающего процесса, требуется определить адаптационных возможностей систем.

С учетом факторов, воздействующих на результат (обученность), рассмотрим следующую обобщенную интегральную модель мультипликативного типа, которая описывает вклад каждого фактора в общий отклик системы:

"у» (х) -у^ ак ' У к - У к (х)

1 ] 1 >\-у\ )

-а,ь У'к'П

О)

где:

уу - текущие значения факторов, У к - нижние значения ук, У°к- оптимальные значения ук, У/. - верхние значения }\,

ак - идентифицируемые постоянные роста знаний, обученности,

Ду - адаптационный потенциал.

Такие модели относятся к моделям производственного типа Кобба-Дугласа и используются для прогнозирования эволюционных многофакторных систем.

Если под у(х) понимать обучающий потенциал, под у, - /-й фактор роста этого потенциала, то такие функции могут служить моделями роста самоорганизации обучающего процесса.

Факторы (.V,,интегрально нацелены на эффективную устойчивую адаптацию. Число этих факторов может варьироваться и чем их больше, тем ближе задача к реальной среде.

Оптимальное, нижнее и верхнее значения могут существенно зависеть от целевой установки. Например, оптимальные значения фактора подбирают с помощью экспертных оценок или из статистических материалов с использованием статистико-математических методов.

Важно определять (идентифицировать) неизвестные параметры самоорганизации системы а, по данным наблюдений за обучающимися, так как эти параметры универсальны, отражают основные параметры, характеризующие различные ответные реакции на тот или иной сценарий обучения. При этом, параметр роста «, будет интегрально учитывать влияние всех факторов, и называется параметром саморегуляции (показатель адаптационных возможностей) обучающегося (обучения) по г'-ому фактору.

Для определения параметров саморегуляции системы ак ввели обозначения и прологарифмировали обе части равенства (1) и получили линейное уравнение относительно параметра аК:

т

1пДу = ]£а*1п/>в (2)

где

Р , _Уь~У1(х,) г _ Ук ~У1

* ~ и 1 ' =-«-' и ~ 7~ > * о

V У1~У± Уl-У^ Л-Ь

Мы используем далее задаваемые экспериментальные значения Ау'. Используя метод наименьших квадратов, отыскиваем минимум функционала Ф(а) по параметрам а1,а2,...,ат, находим их частные производные и приравниваем к нулю. Получили систему линейных алгебраических уравнений, из которых определяются коэффициенты по формулам:

¡«1

N

Для решения полученной симметричной системы линейных алгебраических уравнений с помощью метода квадратных корней находим искомые коэффициенты:

'ш ^ а

Полученную систему алгебраических уравнений можно решить, например, с использованием стандартного математического пакета (МагЬСАС), МаЛЬаЬ и др.) и осуществлять прогноз по модели (I).

При этом важно отмстить, что статистические данные могут быть даны по неравномерному промежутку. В этом случае применяем интерполяцию массива гк с целью нахождения приростов через равномерные промежутки. Можно воспользоваться методом линейной интерполяции.

Значения позволяют предсказывать адаптационные возможности системы и обойтись без сложных эмпирических и полуэмпирических исследований, особенно, на этапе предварительного исследования.

Представленный подход имеет практическую значимость. Чем выше параметр саморегуляции системы, тем выше уровень обученности, устойчивости знаний (их конкурентоспособности).

Используя формулу (1) для адаптационного потенциала Ду можно построить два типа планов вычислительных имитационных экспериментов.

Эксперимент 1. Варьируя значения г, от гШч до г/1а>И с шагом и используя данные по выборке обучаемых за репрезентативный ряд лет, идентифицируем неизвестные параметры g, по вышеприведенному алгоритму, а затем прогнозируем потенциал на следующий промежуток времени для управления процессом обучения.

Эксперимент 2. Варьируя значение а( от а, шч до а. кш с шагом к, и используя данные по выборке обучаемых за репрезентативный ряд лет, идентифицируем неизвестные параметры для управления процессом обучения.

Для разработки алгоритмической модели адаптивного обучения на основе критериальной нормы поставлена следующая задача.

Критериально-ориентированное обучение (контроль знаний) - это адаптивная система для сопоставления уровня учебных достижений (в ходе обучения) некоторым заданным критериям (нормам) качества их обученности. Важен адаптивный механизм, который позволяет регулировать такой процесс обучения, в частности сложность учебного материала.

Также важно иметь модель (алгоритм) критериально-ориентированного адаптивного обучения. Задача состоит в определении обеспеченности критериальной нормы М, гарантирующей достижение заданной величины среднемноголетнего уровня обученности и при выбранной таким образом величине А/, механизм адаптивного обучения можно использовать более эффективно. Например, на уровне примерно 80% от максимально возможной степени, это обучение будет отвечать требованиям ГОС. Эта величина может падать, но не более чем до 80% по условиям адаптивного обучения.

Формализованная постановка задачи: имеются т обучающихся Ои ..., От. В течении N лет измеряются данные по их обученности и профилям обученности, курсам (разделам), где наблюдается «дефицит» обученности. Требуется определить оптимапь-

ную критериальную норму Л/, такую, чтобы она гарантировала для каждого обучаемого некоторую долю от максимально возможной обученное™ (в среднем за рассматриваемый период).

Разработана имитационная модель критериально-ориентированного адаптивного обучения алгоритмического типа. Алгоритм моделирования состоит из следующих шагов:

1. Ввод исходной информации: N - число лет наблюдений за обучаемыми; и - доля от максимально возможной обученное™, которая должна быть обеспечена в среднем за рассматриваемый ряд лет (например, в случае ЕГЭ - 45 «сырых» баллов по математике); <7 - массив годов; Е - массив обученное™ с учетом снижения (например, за счет забывания) уровня обученное™ для каждого года по каждому обучающемуся; Г> - массив «дефицитов обученности» для каждого года по каждому обучающемуся; К-максимальный уровень обученности.

2. Выполняем для каждого обучающегося следующие этапы:

2.1.Ранжирование многолетнего ряда И по убыванию дефицитов обученности (сортировка по убыванию).

2.2.Перестановка элементов массивов £иСв соответствии с отсортированным массивом £>.

2.3.Вычисление величины И71 фактической обученности каждого обучаемого для всех лет:

IV, = Е, - г = N.

2.4,Определяется среднемноголетние значения снижения Е по массиву Е, дефицита О по массиву £>, фактической обученности IV по массиву IV для выбранного обучающегося:

2.5,Определяем порядковый номер к года с минимальным значением обученности в массиве О.

2-б.Для аппроксимации значений обученности можно использовать регрессионную зависимость логистического вида (они лучше подходят, согласно, например, моделям Раша):

Л(у) = ( 1-е-'»).

Приняв в качестве параметра у признак IV, по этому соотношению находим уровень усилий по обучению, при котором обученность составит, например, 0,8 от расчетного критериального максимума: Я(У)=0Д После нахождения и'0 вычисляем «абсолютное» значение критериальной нормы для выбранного обучающегося.

2.7.Вычисляем величину

и, = и* 100%.

Дальпейшие расчеты выполняются с целью определения величины М„ гарантирующей получение среднемноголетаей обученности в размере С/, возможного максимума и сопоставления ее с величиной (Л/,),, полученной на шаге 2.6. Для этих целей организуются вычислительные имитационные расчеты варьированием значений М, и формированием на их основе массива (Мг)р.

2.8. Используя полученные на шаге 2.7 данные, по методу наименьших квадратов строятся регрессионные зависимости следующего типа:

а) относительной обученности в зависимости от среднемноголетних значений критериальной нормы: У2 = /,(Л/,);

б) относительной обученности в зависимости от экспериментальных (варьируемых) значений критериальной нормы: Уг = /г(Л?,.);

2.9. Определяем значение искомой величины критериальной нормы для выбранного обучающегося М„ которая гарантирует получение среднемноголетней обученности в объеме СО процентов от возможного максимума.

2.10. Определяем значение среднемноголетней критериальной нормы для выбранного обучающегося, соответствующее найденному значению А/(.

З.Конец алгоритма.

Для адаптивного управления траекторией обучения необходимо решить задачи оценки обученности, как последовательности случайных процессов. Для этой цели разработана стохастическая модель адаптивного процесса освоения компетенций с использованием марковских цепей.

Главная наблюдаемая характеристика - сложность освоения компетенций.

Диапазон значений наблюдаемой величины составляется из интервалов отдельных состояний 1=0,1,..., п, в которых обучающийся может находиться с вероятностью р„ которая влияет на переход из одного состояния в другое, что позволяет определить матрицу переходов.

Рассмотрим пример с тремя уровнями (промежутками, состояниями): /—0 - слабый уровень усвоения компетенций (знания), ¿=1 - средний (умения), 1=2 - высокий (навыки). Динамику объема усвоенных компетенций описываем системой обыкновенных дифференциальных уравнений:

¿5, / Л = + +

= + Ь2Бг + А,5,,

где 5", - объем усвоенных компетенций в г'-ом состоянии, аЛ - коэффициент интенсивности забывания, 6, - коэффициент интенсивности восстановления (знаний, умений и навыков).

Для того, чтобы описать критическое время перехода используем марковские цепи. Строим матрицы перехода, у которых элементы — вероятности перехода прогнозируемых параметров из одного состояния в другое.

Вероятность нахождения в /-ом состоянии усвоении примем равной относительному объему компетенций для /'-ого уровня. А стационарное распределение удовлетворяет условию:

8Т = ^т^т >

где 8Т — стационарное распределение для рассматриваемого класса, Ат - матрица прогнозируемых показателей.

Для оценки состояния усвоенных компетенций в целом, введем коэффициент нестабильности:

IV = (1/3)(5, + +

Этот коэффициент показывает, какой процент объема усвоенных компетенций должен претерпеть изменения для достижения устойчивого (квазиустойчивого) состояния усвоенных компетенций.

В общем случае, динамика вероятностей нахождения в различных состояниях может быть описана системой уравнений Колмогорова:

р[(1) = -(«„ +Ь1)р1{1) + а1р2и) + Ь„рои) , /?;(>) =-я,/>2<>) + А(0.

При начальных условиях:

Л(0),А(0),р2(0),

и при условии нормализации:

¿/>(0 = 1 .

<=0

Система интегрируется, например, методом Рунге-Кутта.

Механизм адаптивного обучения (тестирования) задается имитационной процедурой, состоящей в последовательном предъявлении обучаемому квантов учебного материала (тестируемому - тестовых заданий), трудность которых можно определять как состояние марковской цепи, в которой он находится в текущий момент.

Идентификацию марковских цепей можно проводить по выборкам обучаемых, отдельно для каждого состояния (уровня способностей, уровня освоения компетенций учебного материала). Каждому такому уровню ставится в соответствие свой уникальный набор оценок параметров модели (системы), который позволяет далее идентифицировать значение этого показателя адекватно данным наблюдений. Вероятности и интенсивности переходов при этом - функции уровня сложности и уровня способностей.

В третьей главе систематизируются основные известные, а также новые алгоритмы пракгической организации и проведения адаптивного тестирования. Все эти алгоритмы используются для реализации подсистемы автоматизации работы тестолога, тьютора.

Адаптивный алгоритм контроля знаний требует оценки статистических признаков и характеристик обучения динамически, на каждом шаге тестирования. От этого зависит стратегия перехода на новый уровень, а. следовательно, и на новый уровень продуктивности обучения. Кроме основных статистических характеристик результатов тестирования предлагаем следующий комплекс алгоритмов:

1. вычислить интегральный показатель выполнения теста для каждого тестируемого по алгоритму и получить

Л = ХЛО,

м

где у, - значение рассматриваемого интегрального показателя (для 1-го обучаемого, /=1,2,..., п), с ^— сложность /-го задания в тесте, а^- нормированное значение матрицы А, например, по отношению к максимуму по всей матрице А.

2. оценить надежность теста по алгоритму находим коэффициенты корреляции по формуле:

II | 1 п

г = " м ы

Ум л ы Ни Я Ы Находим надежность г теста, используя формулу Спирмена-Брауна:

3. При адаптивном тестировании задания сортируют по весам (сложность каждого задания) и выдают испытуемому следующим образом: сперва трудные, если тестируемый не ответил на них, то - средние; если же и на них он не ответил, то - легкие. Вопросы при этом не повторяются.

4. Алгоритм проверки гипотезы нормального закона распределения результатов тестирования или достижений тестированных, которые базируется на коэффициенте асимметрии:

где Х| -результаты тестирования для каждого из п тестированных.

Если наблюдается левая асимметрия, то в тесте - облегченные задания, если правая асимметрия, то в тесте - усложненные задания (с ними не смогли справиться большинство).

5. Найден надежный (робастный) метод поиска стандартных оценок. Отклонение эмпирического распределения от нормального определяется через эмпирические меры асимметрий и меры эксцесса. Робастный метод можно использовать для перехода на новый уровень продуктивности обучения, для определения степени пробелов в знаниях обучаемого, для увеличения устойчивости и объективности оценок параметра трудности заданий, их независимости от свойств выборки испытуемых, дифференцируемости ошибки измерения для оценок параметров испытуемых и трудности заданий теста.

Пусть у является признаком, по которому отбираются тестированные с данными V > у0 (>'0- значение точки отсечения). Отбираются только те испытуемые, для которых у >у0. Определим стандартизированный дифференциал:

где ¡л - среднее (математическое ожидание) перед отбором (селекцией), //х - среднее после селекции, о- стандартное отклонение признака.

Чтобы исследовать отклики этой формулы на отклонения распределения признаков от нормального распределения сначала следует определить робастность. Метод вычисления стандартизированного дифференциала называется £{%) - робастным, когда погрешность

6. На основе экспериментальных данных, модели типа Раша, метода наименьших квадратов и линеаризующих замен получена эмпирическая формула зависимости одного фактора у от другого фактора х (например, х - число решенных заданий данной группы, у - граница оценки по заданиям данной группы) и показана ее применимость для решения задачи шкалирования.

7. С помощью дисперсионного анализа изучена (исследована) степень влияния одного или нескольких факторных признаков на результативный признак. Группируя данные наблюдения по интервалам, можно установить, какая группировка отвечает су-

щественному различию качества отдельных групп тестированных. По алгоритму решения находим дисперсию но факторам Лу и общую (остаточную) дисперсию:

2Х&у*,-**?

ду = __ ~ ■ , о = -кМ-м

К-1 п-К

где к - номер уровня (группы), куда попало наблюдаемое значение уф К - число уровней, .1] - число попавших в класс номер у, Ьк - групповые среднее значение по уровню номер к, Ь - общее среднее.

Значение отношения Р = £>г/ О характеризует влияние факторного признака. Чем больше это влияние, тем больше значение Р.

8. Разработан алгоритм с использованием прогнозной вероятности перехода обучаемого на новый уровень с учетом числа правильных ответов, времени выполнения и количества попыток.

9. Построен алгоритм выяснения надежности составной оценки по статистическим свойствам ее компонентов, с использованием прогнозной процедуры Спирмана-Брауна. Надежность составной оценки для тестов будет

кр,,.

где к - число компонентов и рн - коэффициент надежности теста /.

Это соотношение показывает, что надежность составной оценки - функция надежности се отдельных компонентов (в условиях вышеприведенной гипотезы).

10. Разработан алгоритм сравнения различных профилей обучения и выявления более предпочтительного профиля из них.

Оцениваем эффективность /-ой траектории или имитационного варианта с номером .V, который приводит к решению с номером г, (1 <г<Ц):

Е, -¿^„(Л-), ¿с,=1, 1 < г < .V;

где с, - оценка значимости цели (например, экспертная), &г(х) - эффективность траектории л-, которая приводит к цели тестирования г (профилю обучения).

Определяем вероятность рл предпочтения данной траектории, номер г некоторой другой траектории (номер к) и находим функцию правдоподобия такого предпочтения №

Р1+Р!

где N - число траекторий, р. и рк - соответственно, вероятности предпочтений траекторий с номерами г и к, а с/,*-сумма баллов, соответствующая случаям, когда траектория 2 предпочтена была траектории к.

11. Тесты должны пройти определенную технологическую процедуру, так называемый «адаптационный маршрут». Маршрут - последовательность номеров этапов, которые упорядочиваются в порядке адаптационной обработки. Построим соответствующую математическую модель процесса технологического адаптационного процесса, для того, чтобы определить важные характеристики процесса.

. Строим матрицу маршрутов М={т9} (/=1,2,..,К, _/= 1,2,...,£),где Ь=тих!/',), т.е. /. -длина наиболее длинного маршрута А/,.

Пусть задан вектор 7' = (г1,^,...,/„), где /у, 1< у'<л- время обработки иа у'-ом этапе, а также вектор 5 = (л,,.^,...,^), где л^, 1 < у < р — время поступления /'-ой группы обрабатываемых заданий,р - количество этих групп (тестов).

Введём также, сколько заданий находится в группах (тестах). Задан вектор Л = (а1,а2,...,сгк), где N - количество заданий, поступающих за единицу времени, а;, 1<]<Ы- вид задания, поступающего в течение рассматриваемого промежутка времени.

Укрупненный алгоритм обработки (в укрупнённых шагах) описывается следующей последовательностью.

1. Время обработки полагаем равным времени группы, вместе с которым поступило данное задание.

2. Начинаем процедуру обработки.

2.1. Для задания вида ар вычисляем время обработки

2.1.1. Находим соответствующую ар и строку маршрутной матрицы, на которых обрабатываются ар и

2.1.2. Если выполнено условие \ук), то суммируем (у'- номер строки матрицы маршрутов).

2.1.3. Если же т{ар,к)=т{а^\,к\ то абсолютную величину разности времени обработки ар и о,» сравниваем с временем обработки на т(ар,к). Если время обработки на данном этапе больше, то какое-то задание будет простаивать.

2.1.4. Затем возможны три случая:

2.1.4.1. Время обработки ар больше времени обработки и, вследствие этого, простаивает ар на т{ар,к)\ для такого случая находим само время простоя и сразу запоминаем номер простоя.

2.1.4.2. Время обработки ар меньше времени обработки 1; находим простой.

2.1.4.3. Время обработки ар равно времени обработки </,,,; в этом случае, если р</'+1 - то простаивает ор.

2.2. Увеличиваем ] на 1 (/:=/+1) и повторяем цикл.

3. При окончании обработки присваиваем р:=р+1 и повторяем цикл обработки заданий.

4. Выводим результат: время обработки теста; время обработки группы; номера заданий, прошедших обработку; время и номера необработанных заданий.

12. Построен алгоритм определения оценки среднего числа тестовых заданий, решаемых в данный момент испытуемыми и среднего числа свободных (на всех уровнях сложности) тестовых заданий при установившемся законе процесса выдачи заданий. Эти оценки позволят выбрать и применить адекватный механизм адаптации при тестировании.

Четвертая глава посвящена разработке и реализации программного обеспечения для автоматизации, адаптации процессов обучения. Для реализации прикладной автоматизированной информационной системы адаптивного обучения и контроля описана ее архитектура (рисунок 2).

Пользователи

— "—С разрасотка ( формирование Ч\ Ч^адашт^1 V

.....- - \Л

\д\адаггтвного тестирование •'

Подсистема ч

••Комплекс алгоритмов \\\; подготовки и проведения / интегральной оценки принимаемых решений б процессе адаптивного управления обучением»

- статистическим анализ результатов -анализи прогноз результ атов обучения -оценка образовательных пр е дпочтеннй и тр а е ктории

- сведения оо ооучаемых -результаты тестирования

(.. N .

Подсистема \ | -¿Электронный ;

\ } / : справочник».

^" ~ ~ ' -

Подсистема «аАвт ом а тизир ованное пособие для форхшрования исследовательских

навыков»

--------;............—

Оценки освоения компетенции , '

Рис. 2. Архитектура автоматизированной информационной системы адаптивного обучения и контроля

В состав системы включены следующие подсистемы. «Подсистема подготовки и проведения адаптивного тестирования» для проведения и управления адаптивной системы тестирования, которая состоит из двух модулей: серверная часть и клиентская часть. Серверная часть АРМ тестолога (модуль администратора) предназначена для ведения справочников, редактирования сведений о студентах, учета результатов тестирования, формирования базы тестовых вопросов, редактирования тестовых заданий, вариантов ответа и установления времени тестирования, количества вопросов для каждого уровня сложности и баллов за верный ответ для каждого уровня сложности. Можно рассматривать результаты тестирования как отдельного обучаемого, группы, либо всех обучаемых по выбранному тесту.

Клиентская часть АРМ тестолога (модуль пользовательского интерфейса) предназначена для непосредственного прохождения тестирования студентами. Весь функционал клиентской части разделен на три составляющие: авторизация пользователя, непосредственно тестирование, подсчет баллов и сохранение результатов. По завершению тестирования отображается информация о параметрах тестирования: ФИО студента, предмет тестирование, процент корректно выполненных заданий и время прохождения тестирования. Корректно решенные задания помечаются зеленым цветом, некорректно выполненные — красным.

Подсистема «комплекс алгоритмов интегральной оценки принимаемых решений в процессе адаптивного управления обучением» предназначена для реализации разработанных алгоритмов поддержки принятия решений, принимаемых в процессе адаптивного управления обучением в виде диалогового окна. Результаты этих алгоритмов позволяют анализировать и прогнозировать процесс обучения и уровень обученности, а также оценивать образовательные предпочтения и траектории, которые влияют на переход на новый уровень обучения.

Подсистема «электронный учебник-справочник» представляет собой дидактический материал и наглядное пособие, к которому студент может оперативно обращаться, как при изучении теоретического материала, так и при выполнении практических работ (при обработке результатов измерений). Электронный учебник помогает получать сведения о программе и плане учебной дисциплины и логике изучения тем. Такой учебник хорош для самоконтроля усвоения тем и дисциплины в целом.

С помощью подсистемы «Автоматизированное пособие для формирования исследовательских навыков» на основании имеющихся результатов при организации и проведения учебно-исследовательских задач в рамках самостоятельной работы студентов может быть сделан вывод о значительном потенциале многих дидактических тем для формирования требуемых компетенций. Потенциально любая дисциплина представляет возможность широкого выбора учебно-исследовательской работой. Для иллюстрации таких возможностей рассмотрены задачи из дисциплин «Электротехника и электроники» и «Метрология, стандартизация и сертификация». Использование анимации позволило дать наглядное представление поэтапного формирования навыков и требуемых компетенций.

На основе анализа результатов проведения самостоятельных работ можно придти к выводу (рисунок 3): студенты экспериментальной группы выполнили самостоятельной работы на 20.2% больше чем студенты контрольной группы, при этом время выполнения самостоятельной работы сократилось на 28.5%.

16 14 12 10 8 ; 6 4 2 0

■

3 2.5 2 1.5

0.5 О

ШЩ

>

Л у ■ . * ' ;______ ... '

Ш§ШШМ . ЬиВШй

Экспериментальная Контрольная труппа группа

Экспериментальная группа

Контрольная группа

Рис.3. Анализ результатов выполнения самостоятельных работ экспериментальной и контрольной группами

Результаты текущего, рубежного и итогового контроля по дисциплине показывают, что темы, по которым выполнялись учебно-исследовательские работы, гарантируют формирование требуемых компетенций при хорошем понимании программного материала.

В заключении приведены основные научные и практические результаты диссертационной работы, а также предложены возможные направления дальнейших исследований.

В приложении приведено, свидетельство о государственной регистрации программ для ЭВМ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ, ПОЛУЧЕННЫЕ В ДИССЕРТАЦИОННОМ ИССЛЕДОВАНИИ

На основе проведенных исследований решены поставленные задачи и получены следующие основные результаты:

1. Разработана концептуальная информационно-логическая модель автоматизации адаптивного обучения на основе компетентностного подхода, позволяющая описать содержание, этапы и взаимосвязи процессов проектирования и разработки системного, организационного, математического и алгоритмического обеспечения соответствующей автоматизированной информационной системы.

2. Разработан комплекс взаимосвязанных математических моделей адаптивного обучения, позволяющий оценивать адаптационные возможности обучающих систем, степень усвоения профессиональных навыков и компетенций и эффективность обучения.

3. Разработан комплекс алгоритмов поддержки принятия решений, принимаемых в процессе адаптивного управления обучением, позволяющий проводить автоматизированный анализ и прогноз результатов обучения и выбор индивидуальных образовательных предпочтений и траекторий.

4. Реализована прикладная автоматизированная информационная система адаптивного обучения, позволяющая формировать у обучающегося требуемые компетенции, контролировать процесс обучения и оценивать его эффективность.

Основные положения диссертации опубликованы в 24 работах, основными из которых являются:

Статьи в ведущих научных журналах и изданиях, рекомендованных ВАК Министерства образования и науки РФ:

1. Шана М.А., Шаков Х.К. Компетентностная направленность - вектор ориентации учебно-исследовательских задач, Вестник ВГТУ, Воронеж, - Т.6, № 6, 2010. С. П 7-123.

2. Шана М.А. Проверка нормальности распределения данных испытаний при адаптивном тестировании знаний, Известия КБНЦ РАН, Нальчик. - № 2(46), 2012. С. 109-112.

3. Шана М.А. Математические задачи и алгоритмы подготовки к адаптивному тестированию//Качество. Инновации. Образование. - №7, 2012. — С. 49-50.

4. Шана М.А. Разработка системы подготовки и проведения адаптивного тестирования и ее использование, Известия КБНЦ РАН, Нальчик. -№ 2(52), 2013. С. 28-33.

5. Шана М.А. Математическая модель и алгоритм идентификации адаптивного процесса обучения, «Научное обозрение», Москва. - № 1, 2013. С. 37-38.

Публикации в материалах международных и всероссийских конференций

6. Мисхожев А.О., Шаков Х.К., Шана М.А. К вопросу о гармонизации рейтинговой аттестации и системы зачетных единиц/ Актуальные проблемы бапльно-рейтинговой аттестации студентов [Текст]: материалы научно-методической конференции. Нальчик: Каб.-Балк. Ун-т, 2010. С. 23-27.

7. Шаков Х.К., Губжокова С.А., Шана М.А. Технологии обучения SYMBIAN OS/ конференция "СКО-2007", "Смешанное и корпоративное обучение" Труды Всероссийского научно-методического симпозиума - пос. Дивноморское - Ростов-на-Дону: ИПО ПИ ЮФУ, 2007, с. 212-215.

8. Шаков X.K., Мисхожев А.О., Шана М.А. Автоматизированная система рейтинговой аттестации успешности обучения/ конференция "СКО-2007", "Смешанное и корпоративное обучение" Труды Всероссийского научно-методического симпозиума -пос. Дивноморское - Ростов-на-Дону: ИПО ПИ ЮФУ, 2007, с. 215-217.

9. Шана М.А., Кочесоков Р.Г. К вопросу о тестировании в системе образование/ Сборник научных трудов молодых ученых, г.Нальчик, 2008г., с. 75-78.

10. Шаков Х.К., Шана М.А. К вопросу о развитии креативности в условиях модернизации образования, (с. 122-127) /Дополнительное профессиональное образование в условиях модернизации [Текст]: материалы всероссийской научно-практической интернет-конференции (к 100-летию ЯГПУ им. К.Д.Ушинского)/ под ред. проф. М.В.Новикова. - Ярославль; Изд-во ЯГПУ, 2009.-136с.

11. Шана М.А. О роле тестирования в системе профессионального образования/ Материалы международной научной конференции студентов, аспирантов и молодых ученых "Перспектива-2009", Нальчик, 2009г., Том V, с. 105-108.

12. Шаков Х.К., Шана М.А., Хубиева З.Р. Разаева М.С., Повышение значимости контрольных функций в системе управления образовательной деятельностью (с. 515520)/ Информационные технологии в гуманитарном образовании. Материалы II Международной научно-практической конференции, 22-23 апреля 2009г. - Пятигорск: ПГЛУ, 2009 -554с.

13. Агнокова А.К., Шаков Х.К., Шана М.А. Тестирование как форма контрольной функции в образовательной деятельности (с. 142-147), Теория и практика измерения латентных переменных в образовании и других социальных и экономических системах: материалы XI (04-05 февраля 2009г.), XII (26-27 июня 2009г.) Всероссийских (с международным участием) научно-практических конференций. - Славянск-на-Кубани: Издательский центр СГПИ, 2009.-260с.

14. Шаков Х.К., Мисхожев А.О., Шана М.А. К вопросу о формировании исследовательских навыков/ Дополнительное профессиональное образование в условиях модернизации [Текст]: материалы второй Всероссийской научно-практической интернет-конференции/ Под науч.ред. М.В. Новикова.-Ярославль: Изд-во ЯГПУ им. К.Д. Ушинского, 2010. с, 152-156.

15. Шаков Х.К., Шана М.А., Кокова Ф.Х. Реализация компетентностного подхода при освоении учебного раздела о погрешности дискретности в цифровых устройствах/ Системные проблемы надёжности, качества, информационно-телекоммуникационных и электронных технологий в инновационных проектах (ИН-НОВАТИКА - 2010). /Материалы XV Международной конференции и Российской научной школы. Часть 3. - М.: Энергоатомиздат, 2010. с. 102-105.

16. Мисхожев А.О, Сохроков И.Б., Шана М.А. К вопросу о моделях подготовки в профессиональном образовании/ Системные проблемы надежности, качества, информационно-телекоммуникационных и электронных технологий в инновационных проектах (ИННОВАТИКА - 2010). /Материалы XV Международной конференции и Российской научной школы. Часть 3. -М.: Энергоатомиздат, 2010. с. 105-106.

17. Шана М.А. Мультимедийное пособие для самостоятельного изучения раздела «Погрешность цифровых устройств»/ Перспектива-2011: Материалы международной научной конференции студентов, аспирантов и молодых ученых, Нальчик, 2011г., с. 173-177.

18. Арванова М.М., Шана М.А. Изучение закономерностей в ИЬ-цепи переменного тока с использованием компьютерной графики/ Наука и устойчивое развитие: Материалы V Всероссийской научной конференции. - Нальчик: Издательство «Принт центр» 2011г., с.8-11.

19. Шана М.А. Адаптивное система обучения как самоорганизующаяся система// Наука и устойчивое развитие: Материалы VI Всероссийской научно-

практической конференции молодых ученых. - Нальчик: Издательство «Принт центр» 2012г., с.225-226.

20. Шана М.Л. Инструментальная система адаптивного тестирования и ее использование/ Автоматизация управления и интеллектуальные системы и среды: Материалы третьей Международной конференции - Нальчик: Издательство КБНЦ РАН, 2012г., Том 2, с. 38-40.

21. Шана М.А. Концептуальная модель адаптивного обучения //Технологии разработки информационных систем: сборник материалов Международной научно-технической конференции. Том 1. -Таганрог: Изд-во ТТИ ЮФУ, 2013 г., с.97-99.

Публикации в других изданиях

22. Шаков Х.К., Шана М.А. "Учебно-исследовательская работа как способ реализации развивающей функции в образовательной деятельности", Журнал ассоциации иорданских инженеров «Иорданский инженер», февраль 2010, № 80. стр. 125-128, Иордания: Амман.

iJoiiil jjji^l libLc jjiSl jS (^juUjJI iliaJI cba. Я-J^p" i ULI f j£i Ii-« .(. i uiSLS ^tV« .J) ( ,ИЛ-\То ^ ,T • А • »jUc-CPjVl "AoiJI i jojlJjVl ¿H"-^1 ^ i^j^loa^niJu- i

23. Шана М.А. Адаптивное обучение и его обеспечение: компетентностный подход/ Журнал «ФЭН-НАУКА» - периодическое издание научных трудов, г. Бугульма, 2012г., №6(9), с. 14-15.

Свидетельство о государственной регистрации программ для ЭВМ:

24. Шана М.А., Ерошенко A.A., Матвейчев Е.А. Система подготовки и проведения адаптивного тестирования. Свидетельство о государственной регистрации программы для ЭВМ, №2012619588 от «24» октября 2012 г.

Личный вклад автора в работах по опубликованным совместным научным работам

В работе [1] постановка задачи выполнена соавтором, а компьютерные программы и обоснование решений принадлежат автору, анализ результатов является совместным. В работах [6,7, 8] обоснование актуальности и постановка задачи являются совместными, а анализ результатов выполнены автором. В работе [10] постановка задачи выполнена соавтором, а анализ результатов является совместным. В работах [9, 12,13] обоснование актуальности, постановка задачи и представленные выводы являются совместными. В работе [14] постановка задачи, анализ результатов являются совместными, а компьютерные программы и обоснование решений принадлежат автору. В работах [15, 16] автором выполнены обоснование актуальности, постановка задачи и анализ результатов. В работе [18] постановка задачи, ее решение и ее программная реализация осуществлена автором. В работе [22] постановка задачи и ее решение выполнены автором, а программная реализация задачи осуществлена совместно. В [24] постановка задачи и ее решение выполнены автором, а программная реализация задачи является совместной.

Типография Южного федерального университета Заказ № Тираж 100 экз.

КАБАРДИНО-БАЛКАРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ им. Х.М. БЕРБЕКОВА

На правах рукописи

уч

¿0145911 г

ШАНА МАХА АКРАМ

АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА АДАПТИВНОГО ОБУЧЕНИЯ НА ОСНОВЕ КОМПЕТЕНТНОСТНОГО ПОДХОДА

05.25.05 - Информационные системы и процессы

диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: канд. техн. наук, доцент Шаков X. К.

Нальчик-2014

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ......................................................................................................................5

ГЛАВА 1 АНАЛИЗ МЕТОДОВ И СИСТЕМ КОМПЕТЕНТНОСТНО-ОРИЕНТИРОВАННОГО АДАПТИВНОГО ОБУЧЕНИЯ И ТЕСТИРОВАНИЯ ..12

1.1 Компетентностный подход как направление обучения решению творческих

исследовательских задач...........................................................................................12

1.1.1 Формирование творческих компетенций...................................................12

1.1.2 Модели компетентностного подхода в подготовке специалистов..........15

1.2 Адаптивное обучение и его компетентностная направленность...................20

1.2.1 Реализация компетентностного подхода на основе адаптивного обучения..................................................................................................................20

1.2.2 Недостатки адаптивных моделей систем обучения с точки зрения компетентностного подхода..................................................................................28

1.3 Математические модели адаптивного обучения и тестирования..................30

1.3.1 Адаптивность - как внутреннее качество моделей обучения и тестирования...........................................................................................................30

1.3.2 Математико-статистические модели обучения и тестирования..............31

1.4 Самоорганизация и адаптивность обучающего процесса..............................38

1.4.1 Самоорганизация обучающей системы......................................................38

1.4.2 Адаптивное обучение на пути к самоорганизации обучающего процесса...................................................................................................................41

1.5 Анализ существующих автоматизированных информационных систем

адаптивного обучения и контроля............................................................................49

Выводы по первой главе............................................................................................58

ГЛАВА 2 МАТЕМАТИЧЕСКИЕ, ИНФОРМАЦИОННО-ЛОГИЧИСКИЕ

МОДЕЛИ И АЛГОРИТМЫ АДАПТИВАННОГО ОБУЧЕНИЯ.............................59

2.1 Информационно-логическая модель адаптивного обучения.........................59

2.1.1 Постановка задачи, модель обучаемого и ее свойства.............................59

2.1.2 Концептуальная информационно-логическая модель автоматизации процессов адаптивного обучения на основе компетентностного подхода......66

2.2 Обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения...............................................................................70

2.2.1 Математическая модель...............................................................................70

2.2.2 Алгоритм идентификации параметров саморегуляции системы.............72

2.3 Алгоритмическая модель адаптивного обучения на основе критериальной нормы..........................................................................................................................78

2.3.1 Постановка задачи........................................................................................78

2.3.2 Алгоритмическая модель критериально-ориентированного адаптивного обучения..................................................................................................................79

2.4 Стохастическая модель адаптивного процесса освоения компетенций с использованием марковских цепей..........................................................................83

2.4.1 Задача оценки обученности при адаптивном обучении как последовательность случайных процессов..........................................................83

2.4.2 Марковские цепи и основанная на них модель.........................................84

Выводы по второй главе............................................................................................87

ГЛАВА 3 КОМПЛЕКС АЛГОРИТМОВ ИНТЕГРАЛЬНОЙ ОЦЕНКИ ПРИНИМАЕМЫХ РЕШЕНИЙ В ПРОЦЕССЕ АДАПТИВНОГО УПРАВЛЕНИЯ ОБУЧЕНИЕМ................................................................................................................89

3.1 Алгоритмы подготовки к обучению и тестированию.....................................89

3.2 Алгоритмы анализа и прогноза результатов обучения и тестирования........94

3.3 Алгоритмы оценки образовательных предпочтений и траекторий.............108

Выводы по третьей главе.........................................................................................115

ГЛАВА 4 ПРИКЛАДНАЯ АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА АДАПТИВНОГО ОБУЧЕНИЯ И КОНТРОЛЯ...................................117

4.1 Архитектура автоматизированной информационной системы адаптивного

обучения и контроля................................................................................................117

4.2 Система подготовки и проведения адаптивного тестирования (АРМ преподавателя, тьютора, тестолога).......................................................................119

4.2.1 Основные принципы построения..............................................................119

4.2.2 Серверная подсистема АРМ (Модуль администратора)........................124

4.2.3 Клиентская подсистема АРМ....................................................................137

4.3 Комплекс алгоритмов и программ интегральной оценки решений при адаптивном управлении процессом обучения......................................................144

4.4 Автоматизированное пособие для формирования исследовательских навыков.....................................................................................................................147

4.4.1 Мультимедийная поддержка для самостоятельной работы...................147

4.4.2 Компетентностная направленность - вектор ориентации учебно-исследовательских задач.....................................................................................154

4.5 Электронный справочник по основам статистики - как вспомогательное средство при самостоятельной работе студентов................................................160

4.6 Анализ эффективности внедрения автоматизированной информационной

системы адаптивного обучения и контроля в профессиональном

образовании..............................................................................................................162

Выводы по четвертой главе.....................................................................................164

ЗАКЛЮЧЕНИЕ...........................................................................................................165

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ...................................................167

ПРИЛОЖЕНИЕ А.......................................................................................................182

ВВЕДЕНИЕ

Актуальность темы исследования. На сегодняшний день развитие информационных технологий и их использование в различных областях знаний позволяет перейти на новый качественный уровень высшего профессионального образования. Динамизм современного рынка труда формирует запрос не только на знания, но и на компетенции, и навыки специалистов. Это привело к повсеместному внедрению компетентностного подхода, в том числе и в России, где на его основе разработан действующий федеральный государственный образовательный стандарт.

Современные исследователи (A.B. Хуторской, М. JI. Зуева, Т. Л. Анисова) отмечают, что невозможно эффективно реализовать и актуализировать компетентностный подход без применения адаптивных методов обучения и контроля. В их работах, а также в трудах А.Нуссбаумера, У. Неупера, Д. Петерза, Л. Хаака, Дж. Гомеза, Н. Фаддоули, М. Идрисси разработаны основы методологии адаптивного обучения на базе комптентностного подхода.

Высокие темпы роста потоков информации, появление новых специальностей, изменение парадигмы, моделей и методов обучения привели к необходимости широкого внедрения в образовательный процесс автоматизированных информационных и управляющих систем и комплексов. Разработка и внедрение таких решений, в свою очередь, требуют создания системного обеспечения адаптивного обучения на основе компетентностного подхода. В частности, необходимо разработать основные принципы, математические модели и методы, алгоритмы обработки информации и принятия решений для поддержки процесса адаптивного обучения.

Модели и методы управления адаптивным обучением на основе компетентностного подхода были предложены в работах И. Д. Столбова, Л. Р. Фионова.

В работах Г.А. Балл, A.M. Довгялло, Е.И. Машбиц, В.Д. Габричидзе, Л.В. Зайцевой, Л.П. Новицкого, A.B. Дрынкова, Ю.И. Лобанова, А.Д. Селиванова, В.В.

Съедина, B.C. Токаревой, JI. А. Растригина, М.Х. Эренштейна, E.H. Пасхина, А.Н. Печникова по моделированию процессов компьютерного обучения и реализации адаптивных алгоритмов функционирования обучающих систем показано, что адаптация в подобных системах требует учета индивидуальных особенностей обучающихся и выбора оптимальных параметров учебного процесса, т.е. решения задач оптимального обучения. В частности, адаптивное обучение предполагает анализ хода обучения и оценку критерия перехода на новый уровень обучения и проводится с помощью заданного уровня сложности обучающего материала, а также - применения некоторого механизма адаптации. Адаптивный алгоритм контроля знаний требует оценки статистических признаков и характеристик обучения динамически на каждом шаге тестирования. В адаптивную модель обучения, с целью повышения эффективности учебного процесса, включаются элементы разноуровневого обучения, которое, в свою очередь, является дифференцированным, учитывающим основные свойства личности (т.е. личностно-ориентированным). Учебный процесс идет со скоростью, определяемой выбранными гипотезой и моделью обучения.

Анализ указанных работ выявил основную проблему - отсутствие единой методологии автоматизированной обработки информации и управления в системах адаптивного обучения на основе компетентностного подхода, учитывающей вышеприведенные требования и факторы.

Таким образом, проблема разработки математического, информационного, программного и организационного обеспечения автоматизированных информационных систем адаптивного обучения на основе компетентностного подхода является актуальной.

Целью данной диссертационной работы является разработка и реализация комплекса взаимосвязанных моделей и алгоритмов автоматизации адаптивного обучения на основе компетентностного подхода.

Для достижения сформулированной цели в диссертации были поставлены следующие основные задачи:

1. Провести анализ эффективности существующих моделей, методов и алгоритмов автоматизации адаптивных обучающих и тестирующих систем, использующихся в сфере высшего профессионального образования.

2. Разработать концептуальную информационно-логическую модель автоматизации процессов адаптивного обучения на основе компетентностного подхода.

3. Разработать комплекс взаимосвязанных математических моделей адаптивного обучения на основе компетентностного подхода, соответствующих предложенной концептуальной информационно-логической модели.

4. Разработать алгоритмы обработки информации и принятия решений для поддержки процессов адаптивного обучения и контроля, анализа и прогноза результатов обучения, оценки различных образовательных предпочтений и траекторий.

5. Разработать прикладную автоматизированную информационную систему адаптивного обучения и контроля, реализующую предложенные модели и алгоритмы с целью эффективного формирования у обучающихся компетенций высшего профессионального образования.

Объектом исследования является автоматизация адаптивного обучения на основе компетентностного подхода.

Предметом исследования является разработка математического, информационного, программного и организационного обеспечения адаптивного обучения на основе компетентностного подхода на базе комплекса взаимосвязанных моделей, методов и алгоритмов.

Научной новизной обладают следующие полученные результаты:

1. Разработана концептуальная информационно-логическая модель процесса автоматизации адаптивного обучения, отличающаяся от известных моделей тем, что она учитывает содержание, структуру и взаимосвязи организационного, математического и алгоритмического обеспечения проектирования и разработки полного цикла обучения на основе компетентностного подхода.

2. Разработана обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения, отличающаяся от известных наличием идентификации параметров саморегуляции системы, учитывающих влияние основных факторов, воздействующих на уровень обученности.

3. Разработана алгоритмическая модель критериально-ориентированного обучения, отличающаяся от известных возможностью адаптации сложности учебного материала на основе расчета оптимальной критериальной нормы.

4. Разработана стохастическая модель процесса освоения компетенций, отличающаяся от известных наличием анализа динамики освоения компетенций и поддержки адаптивного управления траекторией обучения с помощью марковских цепей.

Практическая значимость диссертации. На основе предложенного комплекса взаимосвязанных моделей и алгоритмов автоматизации адаптивного обучения на базе компетентностного подхода разработана автоматизированная информационная система адаптивного обучения и контроля. Применение этой системы в учебном процессе позволило реализовать адаптивное обучение студентов по индивидуальным траекториям, повысить эффективность усвоения компетенций в среднем на 15-20%, сократить время выполнения самостоятельной работы на 28,5 % и увеличить количество выполняемых заданий на 20 процентов. Полученные в диссертации результаты в области организационного, информационного, математического, алгоритмического обеспечения процесса автоматизации адаптивного обучения могут быть использованы при разработке автоматизированных информационных и управляющих систем, предназначенных для внедрения в высших профессиональных образовательных учреждениях, реализующих учебные программы на основе компетентностного подхода в соответствии с ФГОС ВПО.

Реализация и внедрение результатов работы. Разработанная автоматизированная система внедрена на кафедре системного анализа и компьютерных технологий управления ФГБОУ ВПО Кабардино-Балкарский государственный университет им. X. М. Бербекова для поддержки учебного

процесса по специальности 230105.65 «Программное обеспечение вычислительной техники и автоматизированных систем» и по направлениям 230100.62 «Информатика и вычислительная техника» и 220400.62 «Управление в технических системах». Результаты и материалы диссертации используются в циклах лекций и практических занятий по дисциплинам «Моделирование систем», «Информационные технологии», «Электротехника и электроника» и «Метрология, стандартизация и сертификация» на Факультете Информатики и управления указанного ВУЗа.

Отдельные компоненты разработанной автоматизированной информационной системы адаптивного обучения внедрены в образовательную систему «EduWave», которая представляет собой комплексную платформу электронного обучения компании «Integrated Technology Group» (г. Амман, Иордания), что подтверждено соответствующими актами.

Методы исследования. Для достижения поставленных целей и решения задач в диссертационной работе использовались: методы и технологии математического моделирования, численных методов, теории вероятностей и математической статистики, теории множеств, системного анализа и обработки информации, объектно-ориентированного проектирования, проектирования автоматизированных систем. Разработка программ для реализации поставленных целей проведена на языках программирования С++ (Qt 4.7.0, с использованием HTML 5.0), С++ Builder, С# и SQLite. Разработка мультимедийной поддержки велась с использованием Macromedia flash (на языке ActionScript).

Основные положения, выносимые на защиту:

1. Концептуальная информационно-логическая модель автоматизации процессов адаптивного обучения на основе компетентностного подхода.

2. Обобщенная интегральная мультипликативная математическая модель адаптивного процесса обучения.

3. Алгоритмическая модель адаптивного обучения на основе критериальной нормы.

4. Стохастическая модель адаптивного процесса освоения компетенции на основе марковских цепей.

5. Комплекс алгоритмов интегральной оценки решений, принимаемых в процессе адаптивного управления обучением.

6. Автоматизированная информационная система адаптивного обучения и контроля.

Достоверность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается использованием современных методов проведения научных исследований, корректным применением математического аппарата. Достоверность выводов относительно эффективности предложенных моделей и алгоритмов автоматизации процессов адаптивного обучения на основе компетентностного подхода подтверждена их реализацией и практикой применения.

Апробация результатов исследования. Основные результаты работы докладывались, обсуждались и получили одобрение на:

- всероссийской конференции «Смешанное и корпоративное обучение (СКО-2007)» (п. Дивноморское - Ростов н/Д, 2007);

- всероссийской научно-практической Интернет-конференции «Дополнительное профессиональное образование в условиях модернизации» (Ярославль, 2009);

- XII всероссийской (с международным участием) научно-практической конференции «Теория и практика измерения латентных переменных в образовании и других