Интеллектуальная система статистически значимой экспертизы знаний на базе модели самоорганизации неравновесной диссипативной системы


https://doi.org/10.20914/2310-1202-2017-2-101-106

Полный текст:


Аннотация

Развитие современных образовательных технологий, обусловленных широким внедрением компьютерного тестирования и развитием дистанционных форм образования, делает необходимым пересмотр методов экспертизы знаний учащихся. В работе показана необходимость перевода критериев и способов, по которым проводится экспертная оценка знаний на лишенные субъективности математические основы. В статье делается обзор проблем, возникающих при реализации поставленной задачи, и предлагаются подходы для ее решения. Наибольшее внимание уделено обсуждению проблемы объективного преобразования номинальных оценок эксперта в шкальные данные оценки учащегося. В целом по результатам обсуждения делается вывод, что решение данной проблемы лежит в области создания специализированных интеллектуальных систем. В основу построения предлагаемой в работе интеллектуальной системы положена математическая модель самоорганизации неравновесной диссипативной системы, каковой и является группа учащихся. В статье предполагается, что диссипативность системы обеспечивается постоянным притоком новых тестовых заданий со стороны эксперта, а неравновесность – индивидуально-психологическими особенностями учащихся в группе. В результате система должна по истечении некоторого промежутка времени самоорганизоваться в некоторый устойчивый патерн, который позволит проводить, опираясь на значительные объемы данных, статистически значимую экспертизу успеваемости учащихся. Для обоснования предлагаемого подхода в работе представлены данные статистического анализа результатов тестирования большой выборки студентов (> 90). Выводы из этого статистического анализа позволили разработать интеллектуальную систему статистически значимой экспертизы успеваемости студентов. В ее основе лежит алгоритм кластеризации данных (k-mean) по трем ключевым параметрам. Показано, что такой подход позволяет сформировать максимально объектную и динамическую шкалу экспертных оценок знаний.

Об авторах

Е. А. Татохин
Воронежский государственный университет инженерных технологий
Россия
к.ф.-м.н., доцент, кафедра физики, теплотехники и теплоэнергетики, пр-т Революции, 19, г. Воронеж, 394036, Россия


А. В. Буданов
Воронежский государственный университет инженерных технологий
д.ф.-м.н., зав. кафедрой, кафедра физики, теплотехники и теплоэнергетики, пр-т Революции, 19, г. Воронеж, 394036, Россия


Г. И. Котов
Воронежский государственный университет инженерных технологий
д.ф.-м.н., доцент, кафедра физики, теплотехники и теплоэнергетики, пр-т Революции, 19, г. Воронеж, 394036, Россия


Д. С. Сайко
Воронежский государственный университет инженерных технологий
д.ф.-м.н., зав. кафедрой, кафедра высшей математики, пр-т Революции, 19, г. Воронеж, 394036, Россия


Список литературы

1. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. 4 издание., пер. с англ., Москва, ООО "И.Д. Вильямс", 2007. 1152 с.

2. Желнин М.Э., Кудинов В.А., Белоус Е.С. Роль и место экспертных систем в образовании. // Ученые записки: электронный научный журнал Курского государственного университета. 2012. № 2 (22). С. 1–5.

3. Баранова Н.А. К вопросу о применении экспертных систем в непрерывном педагогическом образовании. // Образование и наука. 2008. № 4 (52). С. 24–28.

4. Андреев А.Б., Моисеев Б.М., Усачев Ю.Е. Использование экспертных систем для анализа знаний учащихся в среде открытого образования // Телекоммуникация и информатизация образования. 2002. № 2. С. 36–54.

5. Берестнева О.Г., Марухина О.В. Компьютерная система принятия решений по результатам экспертного оценивания в задачах оценки качества образования. // Educational Technology & Society. 2002. № 5 (3). С. 216–230.

6. Dobre C., Xhafa F. Intelligent services for big data science // Future Generation Computer Systems. 2014. Т. 37. С. 267-281.

7. Roiger R. J. Data mining: a tutorial-based primer. CRC Press, 2017.

8. Hovy E., Navigli R., Ponzetto S. P. Collaboratively built semi-structured content and Artificial Intelligence: The story so far // Artificial Intelligence. 2013. Т. 194. С. 2-27.

9. Hutter F. и др. Algorithm runtime prediction: Methods & evaluation // Artificial Intelligence. 2014. Т. 206. С. 79-111.


Дополнительные файлы

Для цитирования: Татохин Е.А., Буданов А.В., Котов Г.И., Сайко Д.С. Интеллектуальная система статистически значимой экспертизы знаний на базе модели самоорганизации неравновесной диссипативной системы. Вестник Воронежского государственного университета инженерных технологий. 2017;79(2):101-106. https://doi.org/10.20914/2310-1202-2017-2-101-106

For citation: Tatokchin E.A., Budanov A.V., Kotov G.I., Sayko D.S. Intelligent system for statistically significant expertise knowledge on the basis of the model of self-organizing nonequilibrium dissipative system. Proceedings of the Voronezh State University of Engineering Technologies. 2017;79(2):101-106. (In Russ.) https://doi.org/10.20914/2310-1202-2017-2-101-106

Просмотров: 641

Обратные ссылки

  • Обратные ссылки не определены.


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


ISSN 2226-910X (Print)
ISSN 2310-1202 (Online)