Preview

Открытое образование

Расширенный поиск

Способ автоматического подбора учебно-тренировочных заданий в информационной среде обучения студентов ИТ-направлений

https://doi.org/10.21686/1818-4243-2020-2-17-28

Аннотация

Цель исследования. Исследование, результаты которого представлены в данной статье, выполнено с целью активизации и повышения эффективности самостоятельной работы студентов в информационной среде обучения путём рационального индивидуального подбора учебно-тренировочных заданий. В ходе исследования выполнены разработка, реализация и внедрение в учебный процесс способа автоматического подбора заданий для самостоятельного выполнения, основанного на прогнозировании трудности и обучающего эффекта задания для конкретного студента с учётом сложности задания и подготовленности студента к выполнению этого задания.

Методы и материалы. В статье даётся чёткое разграничение понятий сложности, трудности и обучающего эффекта учебно-тренировочных заданий. На этой основе поставлена задача прогнозирования уровня трудности задания для студента как задача автоматической классификации пар «студент-задание», представляющих собой множество характеристик студента и задания, которые имеются в базе данных системы электронного обучения. Результатом классификации является прогноз уровня трудности задания для студента, на основе которого принимается решение об обучающем эффекте этого задания.

Задача классификации является одной из хорошо проработанных задач машинного обучения «с учителем». Из нескольких известных обучаемых моделей классификации для реализации были выбраны деревья решений, поскольку они, в отличие от нейросетей, представляют правила прогнозирования в наглядной форме, выделяя при этом значимые признаки. Этап обучения модели состоит в построении дерева решений на основе обучающей выборки, содержащей данные о прецедентах выполнения заданий студентами. В результате вычислительного эксперимента были построены деревья решений для нескольких дисциплин, в которых практикуется автоматическая проверка решений студентов, т.е. имеются данные для формирования обучающей выборки.

Результаты. В статье приводится пример дерева решений, построенного по обучающей выборке, которая сформирована на основе данных электронного практикума по дисциплине «Иностранный язык». Качество прогнозной модели определялось на экзаменационной выборке по критериям точности и обобщающей способности (степень выраженности «эффекта переобучения»). Полученные значения этих показателей позволяют признать качество приемлемым. Проанализированы первые результаты практического применения предложенного способа подбора заданий в учебном процессе. Программное обеспечение, разработанное в ходе выполнения исследования, можно рассматривать как основу рекомендательной системы, которая не может заменить живое общение студента и преподавателя, но является их «умным» помощником в процессе обучения.

Заключение. В целом, результаты исследования показывают, что возможности технологий искусственного интеллекта, в частности, машинного обучения, позволяют воплотить на практике принцип индивидуализированного электронного обучения, адаптировать процесс обучения к индивидуальным особенностям каждого студента с целью эффективного развития его профессиональных компетенций. Предлагаемый способ реализован и апробирован в информационной среде обучения студентов ИТ-направлений Вологодского государственного университета, однако, данный подход представляется достаточно универсальным, поэтому может быть распространён и на другие предметные области и формы обучения.

Об авторах

С. Ю. Ржеуцкая
Вологодский государственный университет
Россия

Светлана Юрьевна Ржеуцкая
Кандидат технических наук, доцент кафедры автоматики и вычислительной техники

Вологда



М. В. Харина
Вологодский государственный университет
Россия

Марина Викторовна Харина

Старший преподаватель кафедры английского языка

Вологда



Список литературы

1. Рыбина Г.В. Интеллектуальная технология построения обучающих интегрированных экспертных систем: новые возможности // Открытое образование. 2017. № 4. С. 43—57. DOI: 10.21686/1818-4243-2017-4-43-57.

2. Комлева Н.В. MOOCs должны смотреть в сторону расширения своей адаптивности // Открытое образование. 2014. №4 (105). С. 89—96. DOI: 10.21686/1818-4243-2014-4(105-89-96.

3. Тельнов Ю.Ф., Казаков В.А., Козлова О.А. Динамическая интеллектуальная система управления процессами в информационно-образовательном пространстве высших учебных заведений // Открытое образование. 2013. № 1 (96). С. 40—49.

4. Бурняшов В.А. Персонализация как мировой тренд электронного обучения в учреждениях высшего образования [Электрон. ресурс] // Современные проблемы науки и образования. 2017. № 1. Режим доступа: http://science- education.ru/ru/article/view?id=26078 (Дата обращения: 12.02.2020).

5. Knewton: адаптивное обучение в действии [Электрон. ресурс]. Newtonew: новости сетевого образования. Режим доступа: https://newtonew. com/tech/knewton-adaptivnoe-obuchenie-v- dejstvii (Дата обращения: 20.01.20).

6. Грушевский С.П., Добровольская Н.Ю. Компьютерные нейросетевые технологии в индивидуализированном обучении студентов математических специальностей // Наука в вузах: математика, физика, информатика. Проблемы высшего и среднего профессионального образования: материалы Международная научно-образовательная конференция. М.: РУДН, 2009. С. 872-874.

7. Мицель А.А., Погуда А.А. Технология обработки информации в задачах тестирования на основе нейронной сети // Современное образовательное пространство: пути модернизации: труды Международная заочная Научно-практическая конференция. Чебоксары, 2011. С. 122-127.

8. Селевко Г.К. Энциклопедия образовательных технологий. М.: Народное образование, 2005. 556 с.

9. Уман А. И. Технологический подход к обучению: учебное пособие для вузов. М.: Юрайт, 2018. 187 с.

10. Балл Г.А. Теория учебных задач: Психолого-педагогический аспект. М.: Педагогика, 1990. 184 с.

11. Углев В.А. Обучающее адаптивное тестирование с применением экспертных систем. Информационные технологии в образовании и науке // Сборник материалов всероссийской научно-практической конференции. М.: МФА, 2006. С. 606-611.

12. Ржеуцкая С. Ю., Харина М. В. Интегрированная информационная среда обучения как средство развития иноязычной коммуникативной компетенции обучаемых // Открытое образование. 2016. №1. С. 43-48.

13. Синица Е. М., Бурцев М. С. Описание учебных ресурсов: метаданные, стандарты, профили // Образовательные технологии и общество. 2006. № 9(1). С. 365-373.

14. Андрианов И. А., Григорьева А. А. Эффективный поиск плагиата в программном коде для системы дистанционного практикума по программированию. Информатизация инженерного образования // Труды Международной научно-практической конференции ИНФОРИНО-2016. 2016. С. 485-488.

15. Алещенко А.С., Трембач В.М. Интеллектуальная обучающая система кафедры вуза // Открытое образование. 2016. № 5. С. 47-52.

16. Челышкова М. Б. Адаптивное тестирование в образовании (теория, методология, технология). М.: ИЦКПС, 2001. 165 с.

17. Аванесов В. С. Педагогические измерения: язык и понятия // Педагогическая диагностика. 2015. № 2. С. 3-16.

18. Наймушина О.Э., Стариченко Б.Е. Многофакторная оценка сложности учебных заданий // Образование и наука. 2010. №2 (70). С. 58-69.

19. Стротова М.Н. Возможная классификация физических задач и их идентификация // Вестник Томского государственного университета. 2009. № 318. С. 208-210.

20. Выготский Л.С. Мышление и речь. М.: Лабиринт, 1999. 352 с.

21. Клопченко В.С. К вопросу о педагогическом прогнозировании // Открытое образование. 2008. № 5. С. 23-29.

22. Бринк Х., Ричардс Дж, Феверолф М. Машинное обучение. СПб.: Питер, 2017. 336 с.

23. Барсегян А. А., Куприянов М. С., Холод И.И., Тесс М.Д., Елизаров С.И. Анализ данных и процессов: учеб. Пособие - 3-е издание. СПб.: БХВ-Петербург, 2009. 512 с.

24. Давыдова Е. Н., Сергушичева А. П. Модели обучаемого и преподавателя для мультиагентной обучающей системы // Открытое образование. 2015. № 5. С. 25-31.

25. Ржеуцкий А.В., Суконщиков А.А. Эволюционный алгоритм построения дерева решений // Программные продукты и системы. 2011. № 3. С. 22-26.

26. Харина М.В. Модели развития иноязычной коммуникативной компетенции студентов технического вуза в интегрированной информационной обучающей среде // Ярославский педагогический вестник. Психолого-педагогические науки. 2014. Т. 2. № 4. С. 114-118.


Рецензия

Для цитирования:


Ржеуцкая С.Ю., Харина М.В. Способ автоматического подбора учебно-тренировочных заданий в информационной среде обучения студентов ИТ-направлений. Открытое образование. 2020;24(2):17-28. https://doi.org/10.21686/1818-4243-2020-2-17-28

For citation:


Rzheutskaya S.U., Kharina M.V. A Method for the Automatic Selection of Training Tasks in Learning Environment for IT Students. Open Education. 2020;24(2):17-28. (In Russ.) https://doi.org/10.21686/1818-4243-2020-2-17-28

Просмотров: 485


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1818-4243 (Print)
ISSN 2079-5939 (Online)