Методи штучних нейронних мереж для адаптивного тестування знань

Автор(и)

DOI:

https://doi.org/10.30837/bi.2021.1(96).16

Ключові слова:

ДИСТАНЦІЙНА ОСВІТА, ЛОГІЧНА МЕРЕЖА, АЛГЕБРА СКІНЧЕННИХ ПРЕДИКАТІВ, ДИСТАНІЙНЕ ТЕСТУВАННЯ ЗНАНЬ, МОДЕЛЬ СУБ’ЄКТА НАВЧАННЯ

Анотація

Під адаптивним тестовим контролем розуміють комп’ютеризовану систему науково обґрунтованої перевірки й оцінювання результатів навчання, що має високу ефективність за рахунок оптимізації процедур генерації, пред’явлення й оцінки результатів виконання адаптивних тестів, що заснована на методах побудови та оптимізації логічних мереж. Алгоритми підбору й пред’явлення завдань будуються за принципом зворотного зв’язку, коли при правильній відповіді суб’єкта навчання чергове завдання вибирається більш важким, а невірна відповідь спричиняє пред’явлення наступного більш легкого завдання, ніж те, на яке суб’єктом навчання була дана невірна відповідь. Також є можливість завдання додаткових питань по темах, які суб’єкт навчання знає не дуже добре для більш точного з’ясування рівня знань у даних областях. Вибір алгоритмів тестування наразі фактично обмежений формами представлення тестових завдань і алгоритмами оцінювання результатів тестування. Досягнення більш високих результатів і підвищення мотивації навчання в остаточному підсумку є основною метою тестування знань. Для визначення базового алгоритму, необхідно навести сценарій роботи системи. У його основі лежить модель приймання іспиту викладачем у студента, як модель адаптивного тестування. Такий вибір сценарію роботи системи обумовлений тим, що, по-перше, дана процедура історично добре формалізована, по-друге, при проектуванні тестів, їх розробнику необхідно спиратися на загальноприйняті, відомі й використовувані їм методи з мінімальною модифікацією.

Посилання

Baker R. “Educational data mining and learning analytics.” The Cambridge handbook of the learning sciences, 2019, p. 274.

Rzheutska S. “Experience of using clustering methods for analyzing the results of distance learning.” Informatization of engineering education: materials of international scientificpractical conf., No. 56, 2016, pp. 617 – 620.

I.Shubin, V.Skovorodnikova, A.Kozyriev, Mining Methods for Adaptation Metricsin E-Learning, in: Proceedings of the 3rd International Conference Computational Linguistics and Intelligent Systems CoLInS 2019,NTU “KhPI”, Kharkiv, (2019) 288–300.

Chetverikov G.G., Vechirska I.D., Tanyanskiy S.S. The methods of algebra finite predicates in the intellectual system of complex calculations of telecommunication companies // International Conference Proceedings Crimean Microwave and Telecommunication Technology (CriMiCo).-2014, 6959425. - pp. 346-347.

Sharonova, N., Kyrychenko, I., Tereshchenko, G. Application of big data methods in E-learning systems CEUR Workshop Proceedingsthis link is disabled, 2021, 2870, pp. 1302–1311.

Gruzdo, I., Kyrychenko, I., Tereshchenko, G., Cherednichenko, O. Applıcatıon of paragraphs vectors model for semantıc text analysıs CEUR Workshop Proceedingsthis 2020, 2604, pp. 283–293.

G. Bezhanishvili “Locally finite varieties” Algebra Universalis, Vol. 46, no. 4, 2001, pp. 531–548.

Chetverikov G., Puzik O., Vechirska I. Multiple-valued structures of intellectual systems //Proceedings of the with Internations Computer Sciences and Information Technologies (CSIT). 2016, 7589907. - pp. 204-207.

A Guide to the SCRUM BODY OF KNOWLEDGE (SBOK™ GUIDE) URL: https://www.scrumstudy.com/ SBOK/SCRUMstudy-SBOK-Guide-3rd.pdf.

##submission.downloads##

Опубліковано

2021-07-02