ИНТЕГРАЦИЯ ФРАКТАЛЬНЫХ И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В ПЕДАГОГИЧЕСКОМ КОНТРОЛЕ И ОЦЕНКЕ ЗНАНИЙ ОБУЧАЕМЫХ

Обложка

Цитировать

Полный текст

Аннотация

Постановка и решение проблемы поиска теоретического обоснования и разработки эффективных дидактических механизмов организации процесса педагогического контроля и оценки знаний обучаемых может быть основана на конвергенции ведущих психолого-педагогических, математических и информационных технологий с учетом современных достижений в науке. В статье обоснована педагогическая целесообразность реализации возможностей средств информационных технологий в оценке сложного математического знания, в управлении познавательной деятельностью студентов. Исследована и реализована на практике интеграция фрактальных методов и нейросетевых технологий в совершенствовании системы педагогического контроля математических знаний обучаемых в составе автоматизированных обучающих систем (АОС). Доказано, что фрактальные методы увеличивают точность и глубину оценивания уровня обученности студентов, комплексов интеллектуальных операций и интегративных качеств, позволяющих осваивать и применять междисциплинарные знания и умения в профессиональной деятельности. Нейросетевые технологии решают проблему реализации личностно-ориентированного обучения с позиций оптимальной индивидуализации математического образования и самореализации личности. Технология проектирования интегративной системы педагогического контроля знаний студентов включает следующие этапы: установление требуемых параметров обучения; определение и подготовка исходных данных для реализации интеграции фрактальной и нейросетевой технологий; разработку диагностического модуля в составе блока искусственного интеллекта АОС, заполнение структурированных системой баз данных; запуск системы для получения прогноза. Новым в разработке интегративной автоматизированной системы педагогического контроля знаний является то, что индивидуальная оценка качества обучения студентов осуществляется на основе двух параметров - глубины усвоения понятия, его взаимосвязи с другими понятиями и оценке величины синергетического эффекта интеграции знаний и деятельности обучаемых. Опыт внедрения и эксплуатации автоматизированной системы педагогического контроля и оценки знаний на основе интеграции фрактального моделирования и нейросетевых технологий позволил повысить уровень объективности оценивания знаний обучаемых, качество управления учебным процессом, его результативность в целом.

Об авторах

С Н Дворяткина

Елецкий государственный университет им. И.А. Бунина

Автор, ответственный за переписку.
Email: sobdvor@yelets.lipetsk.ru

Дворяткина Светлана Николаевна - доктор педагогических наук, доцент, профессор кафедры математики и методики ее преподавания Елецкого государственного университета им. И.А. Бунина (Елец, Россия).

Коммунаров ул., 28, Елец, Россия, 399770

Список литературы

  1. Avanesov, V.S. (2015). Аpplication of Educational Technologies and Pedagogical Measurements to Modernization of Education. Pedagogicheskie izmerenia, (1), 3—28. (In Russ.).
  2. Bolotov, V., Valdman, I., Kovaleva, G., & Pinskaya, M. (2013). Russian Quality Assessment System in Education: Key Lessons. Education Quality in Eurasia, (1), 85—122.
  3. Dvoryatkina, S.N., & Smirnov, E.I. (2016). Assessment of the Synergetic Effects of Integration of Knowledge and Activity on the Basis of Computer Model Operation. The Modern Informational Technologies and IT Education (pp. 35—42). Moscow: MSU Publ. (In Russ.).
  4. Dvoryatkina, S., Smirnov, E., & Lopukhin, A. (2017). New Opportunities of Computer Assessment of Knowledge Based on Fractal Modeling. Proceedings of the 3rd international conference on higher education advances, HEAd 17 (pp. 854—864). Valensia: Universitat Politecnica de Valencia. doi: 10.22363/2313-1683-2017-14-4: 10.4995/HEAD17.2017.6713.
  5. Grushevsky, S.P, Dobrovolskaya, N.Yu., & Koltsov Yu.V. (2008). Organizatsiya uchebnogo protsessa na osnove neyrosetevoy komp’yuternoy obuchayushchey sistemy. The Bulletin of Adyghe State University: Internet Scientific Journal, (7), 142—148. (In Russ.).
  6. Hebb, D.O. (1949). The Organization of Behavior. New York: Wiley & Sons.
  7. Hopfield, J.J. (1982). Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of National Academy of Sciences, 79(8), 2554—2558.
  8. Kibzun, A.I., & Inozemtsev, A.O. (2014). Using the Maximum Likelihood Method to Estimate Test Complexity Levels. Automation and Remote Control, (4), 20—37. doi: 10.22363/2313-1683-2017-14-4: 10.1134/S000511791404002X. (In Russ.).
  9. Kozlov, O.A., Mikhailov, Yu.F., & Vershinina S.V. (2017). Management of Formation of Individual Educational Trajectories with Use of Information Technologies. Scientific notes of the IME RAE, (1—2), 62—64. (In Russ.)
  10. Kruglov, V.V., & Borisov, V.V. (2002). Iskusstvennye neyronnye seti. Teoriya i praktika. Moscow. 382 p. (In Russ.).
  11. Latyshev, V.L. (2009). Criteria of Estimation of Quality of Educational Component of Intellectual Teaching Systems. Informatization of Education and Science, (3), 89—96. (In Russ.).
  12. Monakhov, V.M. (2014). IT-obrazovanie i nekotorye voprosy evolyutsii otechestvennoy metodicheskoy sistemy obucheniya matematike, obespechivayushchie tekhnologizatsiyu uchebnogo protsessa. Modern Information Technologies and IT-education, (10), 100—106. (In Russ.).
  13. McCalloch, W.S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys. V. 5, 115—133.
  14. Robert, I.V. (2016). Perspective Fundamental Researches in the Field of Informatization of Education. Scientific Notes of the IME RAE, (59), 78—85. (In Russ.).
  15. Rosenblatt, F. (1962). Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington, DC: Spartan Books.
  16. Rudinskiy, I.D., & Davydova N.A. (2014). Perspectives for Automation of Knowledge Control Tests Item Preparation. The Tidings of the Baltic State Fishing Fleet Academy: Psychological and pedagogical sciences, (1), 43—47. (In Russ.).
  17. Shadrikov, V.D., & Kuznetsova, M.D. (2011). Metodika otsenki urovnya kvalifikatsii pedagogicheskikh kadrov. Metodicheskaya rabota v shkole, (1), 3—33. (In Russ.).
  18. Uglev, V.A. (2010). On the Specificity of Individualization of Training in Automated Training Systems. Philosophy of Education, (2), 68—74. (In Russ.).
  19. Usova, A.V. (2007) Proverka i puti povysheniya kachestva znaniy. Chelyabinsk. (In Russ.).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».