Исследование адаптивных алгоритмов в системах электронного обучения

Множество     технологий     реализации     индивидуально ориентированного подхода к обучению подразумевают так же наличие соответствующего алгоритмического обеспечения. Главными вопросами при организации индивидуальных образовательных траекторий являются: определение подхода к реализации индивидуальной модели обучаемого, а также организация контрольных мероприятий по проверке знаний. Одной из методологических основ построения модели обучаемого, является модель Раша, связывающая успеваемость обучающегося с уровнем его подготовленности и трудностью задания. Помимо построения индивидуального графика успеваемости обучающегося, в ней подробно описываются способы определения того, насколько низкую или высокую дифференцирующую способность имеет каждый тест, что необходимо для объективности оценки знаний обучающихся и разделения их на различные группы успеваемости. Для расчета дифференцирующей способности теста учитываются такие характеристики, как валидность и надежность, которые рассматривает Item Response Theory.

Как правило, расчет латентных переменных, обязательно предусматривает участие не менее сотни испытуемых, при этом, в итоге испытаний и корректировок теста, число заданий в нем должно составить около 40-60. Наиболее устоявшимся и известным методом расчета надежности тестовых заданий является расчет при помощи построения матриц и вычисления коэффициента корреляции, что подробно рассматривается в работах Атанова «Обучение и искусственный интеллект, или основы современной дидактики».

С годами приемы расчета надежности теста совершенствуются и включают в себя все новые и новые критерии. Если раньше система образования дифференцировала такие понятия, как знания, умения, навыки, то теперь эти три составляющие интегрируются в единое понятие – компетенция. Понятно, что на тестировании обучающийся должен продемонстрировать все три компонента. Отсюда возникает важность валидности тестовых заданий, причем как функциональной, так и содержательной.

Тесты становятся более адаптивно направленными за счет разделения на уровни сложности. Кроме того, контроль усвоения знаний осуществляется при помощи не одного, а ряда тематических, поэтапных тестов. Согласно новым технологиям построения теста, контрольная оценка напрямую зависит от уровня сложности выполненных тестовых заданий.

Валидность и надежность тестов могут быть использованы для построения индивидуальных маршрутов обучения каждого из пользователей (обучающихся) системы тестирования.

Для понимания процесса расчета описанных показателей, рассмотрим пример алгоритма проверки надежности контрольных заданий Шана М.А., основанный на методе корреляции (см. рисунок 1.1):

• 1)    Ввод n (количество испытуемых), m (количество тестовых заданий), A (матрица результатов тестирования), B (матрица эталонных значений).

• 2)    Делим тест на равные части (X и Y),

• 3)    Для каждого очередного задания группы X определяем число тестированных, которые дали правильный ответ на текущее j-ое задание и затем находим их средний балл xj .

• 4)    То же самое для заданий группы Y.

• 5)    Находим коэффициент корреляции X и Y: по формуле:

  

• 6)    Находим надежность r рассматриваемого теста, используя формулу Спирмена-Брауна:

2^T XY т = -----

1 +^XY

• 7)    Вывод результатов.

• 8)    Конец алгоритма.

Рисунок 1 – Алгоритм расчета надежности теста

При построении индивидуальной модели обучаемого и организации адаптивного тестирования, необходимо определение текущего уровня подготовки обучаемого. Рассмотрим пример алгоритма, предназначенного для разбиения обучающихся на группы по уровням подготовки, где величина x – норма для тестовых результатов и величина k – масштабный коэффициент.

• 1)    Ввод данных: n, m, A, k.

• 2)    Для каждого из тестированных определяем его суммарный балл: т

bi=^ aij

j=i

• 3)    Разбиваем рассматриваемую выборку тестированных на 3 группы. В первую группу попадают с высокими баллами: суммарный балл для попадающих в эту группу не ниже значения выражения

min{bj + k(max{bt3 — bt)

• 4)    В третью группу попадают с низкими баллами – не выше значения выражения

min{bt} + (1 — k)(max{bt} — bt)

• 5)    Во вторую группу попадают все остальные (со средними баллами).

• 6)    Выдача результатов: количество и состав попавших в каждую группу.

• 7)    Конец алгоритма.

Работа индивидуально-ориентированных систем обучения предусматривает еще множество других алгоритмических решений, направленных, как на автоматизацию уже рассмотренных элементов системы, так и рада других: формирование учебного контента, работа адаптивной навигации, поддержка решения задач, учет психологических особенностей обучаемого (темперамент, уровень восприятия, тип мышления) и т.д. Приведенные примеры касались определения надежности тестовых заданий, распределения обучающихся по группам уровней сложности, построения процесса адаптивного тестирования