Кластеризация диагностических тестов при изучении предлогов английского языка в соответствии с таксономией Блума

Кластеризация диагностических тестов при изучении предлогов английского языка в соответствии с таксономией Блума

Автор: Прохоров Сергей Антонович, Сучкова Светлана Анатольевна, Куликовских Илона Марковна

Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc

Рубрика: Перспективные информационные технологии

Статья в выпуске: 2-5 т.17, 2015 года.

Бесплатный доступ

Данная работа посвящена вопросам кластеризации банков диагностических тестов при изучении предлогов английского языка в рамках адаптивного обучения. В основу разработанной методики кластеризации положена таксономия Блума, что предполагает формирование банка заданий в соответствии с когнитивными уровнями. Для представления методики кластеризации и алгоритмов «multiple choice» введен ряд определений и обозначений. Проведена серия вычислительных экспериментов на основе смоделированных ответов для проверки адекватности предложенной методики с помощью методов k-means, c-means и иерархической кластеризации.

Предлог, таксономия блума, адаптивное обучение, машинное обучение, кластеризация, когнитивный уровень, диагностический тест

Короткий адрес: https://sciup.org/148203711

IDR: 148203711

Список литературы Кластеризация диагностических тестов при изучении предлогов английского языка в соответствии с таксономией Блума

  • De Felice R. Automatic detection of preposition errors in learning writing//CALICO Journal. 2009. Vol. 26. №3. P. 512-528.
  • Swan M. Practical English Usage: Second edition. Oxford: Oxford University Press, 2003. 658 p.
  • Parrot M. Grammar for English language teachers: Second edition. Cambridge: Cambridge University Press, 2010. 479 p.
  • Аксененко Б.Н. Предлоги английского языка. Москва: Издательство литературы на иностранных языках, 1956. 320 с.
  • Tyler A., Evans V. The semantics of English prepositions. Cambridge: Cambridge University Press, 2003. 238 p.
  • Kleiner L.F. The semantics of English prepositions. Book review//Journal of Pragmatics. 2005. Vol. 37. P. 775-779.
  • Kemmerer D. The spatial and temporal meanings of English prepositions can be independently impaired//Neuropsychologia. 2005. Vol. 43. P. 797-806.
  • Lindstromberg S. English prepositions explained: Revised edition. Amsterdam: John Benjamins, 2010. 287 p.
  • The iconicity of embodied meaning. Polysemy of spatial prepositions in the cognitive framework/F.V. Gucht, K. Willems, L. Cuypere//Language Sciences. 2007. Vol. 29. P. 733-754.
  • Mueller C.M. English learners' knowledge of prepositions: Collocational knowledge or knowledge based on meaning?//System. 2011. Vol. 39. P. 480-490.
  • Taxonomy of educational objectives: The classification of educational goals. Handbook 1: Cognitive domain/B.S. Bloom (Ed.), M.D. Engelhart, E.J. Furst, W.H. Hill, D.R. Krathwohl. New York: David McKay, 1956. 207 p.
  • A taxonomy for learning, teaching, and assessing: A revision of Bloom's Taxonomy of Educational Objectives/L.W. Anderson (Ed.), D.R. Krathwohl (Ed.), P.W. Airasian, K.A. Cruikshank, R.E. Mayer, P.R. Pintrich, J. Raths, M.C. Wittrock. New York: Longman, 2001. 336 p.
  • Bloom's taxonomy revised: specifying assessable learning objectives in computer science/C.W. Starr, B. Manaris, R.H. Stalvey//The proceedings of the 39th SIGSCE Technical Symposium on Computer Science Education. 2008. P. 261-265.
  • Лазарева И.Н. Таксономический подход в проектировании личностно ориентированного интеллектуально-развивающего обучения//Известия Российского государственного педагогического университета им. А.И. Герцена. 2009. №. 94. C. 130-136.
  • Туласынова Н.Ю. Развитие критического мышления студентов в процессе обучения иностранному языку//Известия Российского государственного педагогического университета им. А.И. Герцена. 2009. №. 112. C. 130-136.
  • Романов Е.В. Разработка системы оценки учебных достижений студентов в контексте реализации компетентностного подхода//Инновационный Вестник Регион. 2011. № 4. С. 71-76.
  • Automated analysis of exam questions according to Bloom's taxonomy/N. Omar, S.S. Haris, R. Hassan, H. Arshad, M. Rahmat, N.F.A. Zainal, R. Zulkifli//Procedia -Social and Behavioral Sciences. 2012. Vol. 59. P. 297-303.
  • Analysing the cognitive level of classroom questions using machine learning techniques/A.A. Yahya, A. Osman, A. Taleb, A.A. Alattab//Procedia -Social and Behavioral Sciences. 2013. Vol. 97. P. 587-595.
  • Chang W.-C., Chung M.-S. Automatic applying Bloom's Taxonomy to classify and analysis the cognition level of English question items//The proceedings of Joint conferences on pervasive computing. 2009. P. 727-734.
  • Hashim K., Khairuddin N.N. Software engineering assessments and learning outcomes//The proceedings of the 8th WSEAS Int. Conference on Software Engineering, Parallel and Distributed Systems. 2009. P. 131-134.
  • Thelwall M. Computer-based assessment: a versatile educational tool//Computers & Education. 2000. Vol. 34. P. 37-49.
  • Comparison of examination methods based on multiple-choice questions and constructed-response questions using personal computers/E. Ventouras, D. Triantis, P. Tsiakas, C. Stergiopoulos//Computers & Education. 2010. Vol. 54. P. 455-461.
  • A comparison between three and four option multiple choice questions/A. Dehnad, H. Nasser, A.F. Hosseini//Procedia -Social and Behavioral Sciences. 2014. Vol. 98. P. 398-403.
  • Ghafournia N. The relationship between using multiple-choice test-taking strategies and general language proficiency level//Procedia -Social and Behavioral Sciences. 2013. Vol. 70. P. 90-94.
  • Hemmati F., Ghaderi E. The effect of four formats of multiple-choice questions on the listening comprehension of EFL learners/F. Hemmati,//Procedia -Social and Behavioral Sciences. 2014. Vol. 98. P. 637-644.
  • Espinosa M.P., Gardeazabal J. Optimal correction for guessing in multiple-choice tests//Journal of Mathematical Psychology. 2010. Vol. 54. -P. 415-425.
  • McCausland W.J., Marley A.A.J. Prior distributions for random choice structures//Journal of Mathematical Psychology. 2014. Vol. 57. P. 78-93.
  • McCausland W.J., Marley A.A.J. Bayesian inference and model comparison for random choice structures//Journal of Mathematical Psychology. 2014. Vol. 62-63. P. 33-46.
  • Multiple instance learning for classifying students in learning management systems/A. Zafra, C. Romero, S. Ventura//Expert Systems with Applications. 2011. Vol. 38. P. 15020-15031.
  • Paul D.V., Pawar J.D. A grouping strategy based partition algorithm for clustering questions in a question bank//Journal of Convergence Information Technology. 2014. Vol. 19. № 2. P. 70-78.
  • Thomassey S., Fiordaliso A. A hybrid sales forecasting system based on clustering and decision trees//Decision Support Systems. 2006. Vol. 42. P. 408-421.
  • Automatic leveling system for e-learning examination pool using entropy-based decision tree/S.-C. Cheng, Y.-M. Huang, J.-N. Chen, Y.-T. Lin//The proceedings of the 4th Int. conference on advances in web-based learning. 2005. P. 273-278.
  • A classifier based on a decision tree with verifying cuts/J.G. Bazan, S. Bazan-Socha, S. Buregwa-Czuma, L. Dydo, W. Rzasa, A. Skowron//The proceedings of the 23th Int. Workshop on Concurrency, Specification and Programming. 2014. P. 13-21.
  • Aviad B., Roy G. Classification by clustering decision tree-like classifier based on adjusted clusters//Expert Systems with Applications. 2011. Vol. 38. P. 8220-8228.
  • Novak-Brzezinska A., Siminski R. New inference algorithms based on rules partition//The proceedings of the 23th Int. Workshop on Concurrency, Specification and Programming. 2014. P. 164-175.
  • Дьяконов А.Г. Практикум на ЭВМ кафедры математических методов прогнозирования (логические игры, обучение по прецедентам): Учебное пособие. М.: Издательский отдел факультета ВМиК МГУ им. М.В. Ломоносова; МАКС Пресс, 2010. 164с.
  • Дьяконов А.Г. Практикум на ЭВМ кафедры математических методов прогнозирования (системы WEKA, RapidMiner и MatLab): Учебное пособие. М.: Издательский отдел факультета ВМиК МГУ им. М.В. Ломоносова; МАКС Пресс, 2010. 133с.
  • Миниахметов Р.М., Цымблер М.Л. Интеграция алгоритма кластеризации fuzzy c-means в PostgreSQL//Вычислительные методы и программирование. 2012. T. 13. C. 46-52.
  • Zhao Y. R and Data Mining -Examples and Case Studies. Oxford: Elsevier Inc., Academic Press, 2012. 256 p.
  • The elements of statistical learning. Data mining, Inference, and Prediction/T. Hastie, R. Tibshirani, J. Friedman. NY: Springer, 2009. 745 p.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp