Использование нейросетевых технологий в адаптивном тестировании по информатике в вузе

Горюшкин, Евгений Игоревич

Темы диссертаций по педагогике » Теория и методика обучения и воспитания (по областям и уровням образования)

автореферат и диссертация по педагогике 13.00.02 для написания научной статьи или работы на тему: Использование нейросетевых технологий в адаптивном тестировании по информатике в вузе

Автореферат

Автор научной работы: Горюшкин, Евгений Игоревич
Ученая степень: кандидата педагогических наук
Место защиты: Курск
Год защиты: 2009
Специальность ВАК РФ: 13.00.02

Диссертация

Автореферат диссертации по теме "Использование нейросетевых технологий в адаптивном тестировании по информатике в вузе"

На правах рукописи

□03466060

Горгошкин Евгений Игоревич

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В АДАПТИВНОМ ТЕСТИРОВАНИИ ПО ИНФОРМАТИКЕ В ВУЗЕ

13.00.02 - теория и методика обучения и воспитания (информатика)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата педагогических наук

Москва-2009

003466060

Работа выполнена на кафедре методики преподавания информатики и информационных технологий ГОУ ВПО «Курский государственный университет»

Научный руководитель:

доктор педагогических наук, профессор Гриншкун Вадим Валерьевич

Официальные оппоненты: доктор педагогических наук, профессор

Жужжалов Валерий Евгеньевич

кандидат педагогических наук Рудакова Дора Тимофеевна

Ведущая организация:

Ленинградский государственный университет им. А.С. Пушкина

Защита диссертации состоится «22» апреля 2009 года в 12°° часов на заседании объединенного диссертационного совета ДМ 850.007.03 при Московском городском педагогическом университете и Тульском государственном педагогическом университете им. Л.Н. Толстого по адресу: 127521, г. Москва, ул. Шереметьевская, дом 29.

С диссертацией можно ознакомиться в библиотеке МГПУ по адресу: 129226, г. Москва, 2-ой Сельскохозяйственный проезд, дом 4.

Автореферат разослан "¿0" марта 2009 года

И.о. ученого секретаря диссертационного совета доктор педагогических наук,

профессор

Фридланд А.Я.

ОБЩАЯ ХАРАКТЕРИСТИКА ИССЛЕДОВАНИЯ

Актуальность исследования. В настоящее время информатика является неотъемлемой составляющей системы подготовки специалистов в вузах. Это обусловлено многими причинами, в числе которых глобальная информатизация общества, невозможность осуществления профессиональной деятельности без эффективного использования преимуществ информационных и телекоммуникационных технологий, необходимость критического осмысления все возрастающих объемов информации, с которыми приходится иметь дело современному специалисту. Неслучайно информатика и подходы к обучению студентов особенностям работы с информационными технологиями оказываются в центре внимания многих педагогических исследований.

В частности, вопросам методики обучения информатике в вузе посвящены работы Т.А. Бороненко, И.Б. Готской, С.Г. Григорьева, А.Р. Есаяна, В.Е. Жужжалова, A.A. Кузнецова, М.П. Лапчика, Д.Ш. Матроса, Н.И. Пака, И.Г. Семакина, АЛ. Фридланда, Е.К. Хеннера и др.

Наряду с этим немаловажной проблемой, характерной для системы высшего профессионального образования, является выработка подходов к повышению эффективности обучения, формированию у выпускников способности применять полученные знания, умения и навыки в профессиональной деятельности. Это, в свою очередь, делает актуальной задачу создания и внедрения технологий и средств измерения уровня эффективности образования вообще и обучения информатике в частности.

Анализ методов педагогических измерений позволяет сделать вывод о том, что одним из объективных и эффективных методов контроля качества знаний учащихся образовательных учреждений является тестовый меггод, основанный на использовании педагогических тестовых материалов- В настоящее время трудно назвать дисциплину, в обучении которой так или иначе не применялась бы тестовая форма контроля знаний.

Разработкой и исследованием тестовых технологий начали заниматься еще в начале прошлого века такие исследователи-педагоги, как А.П. Болтунов, Г.И. Россолимо, М.Ю. Сыркин и др. Начиная с 60-х годов XX века и по сегодняшний день, данная тематика нашла отражение в работах B.C. Аванесова, А. Анастази, С.И. Архангельского, Л.С. Выготского, Т.А. Ильиной, Г.С. Ковалевой, А.Н. Майорова, В.М. Полонского, В.А. Садовничего, И.А. Цатуровой, М.Б. Челышковой и др., а также зарубежных ученых А. Бине, Б. Блума, К. Гилберта, Р. Йеркса, Дж. Кетгелла, В.А. Макколла, Э. Торндайка и др. В последнее время появились диссертационные исследования, связанные с различными проблемами тестирования, в том числе и по информатике (Т.Н. Зайчикова, H Л. Майорова, A.B. Паволоцкий, H.H. Самылкина, М.Б. Челышкова, В.А. Шухардина и др.).

дисциплинам. В системе образования существует несколько подходов к классификации педагогических тестов.

Исследования показали, что, несмотря на большое количество разработанных тестов по информатике, они обладают рядом недостатков, в числе которых необъективность весов тестовых заданий, малое или большое количество тестовых заданий или одновариантность теста, присутствие связи между последовательными заданиями.

На практике очень часто возникает ситуация, когда одна и та же группа студентов без особого труда справляется со всеми тестовыми заданиями или, наоборот, не может справиться с большей частью тестовых заданий. Тем самым, существует проблема корректности подбора сложности тестовых заданий с целью наибольшей адекватной оценки уровня знаний студентов. В связи с увеличением количества и недостаточным качеством тестов, применяемых в обучении информатике в вузе, не всегда представляется возможным качественно определить уровень учебных достижений учащегося, основываясь только на тестах, в которых количество заданий фиксировано (так называемые тесты фиксированной длины). Устранение этого недостатка возможно за счет применения такого вида тестирования, которое способно «подстраиваться» под уровень знаний студентов, варьировать сложность и количество заданий в зависимости от правильности ответов на них. Таким образом, процесс тестирования адаптируется к уровню знаний тестируемого, что позволяет получить более достоверные результаты, сократить время, затрачиваемое на прохождение теста, не снижает мотивацию студентов к обучению и тестированию. Подобные подходы принято называть адаптивным тестированием.

При компьютерном адаптивном тестировании по информатике тестовые задания формируются индивидуально для каждого экзаменующегося с учетом результатов выполнения предыдущих заданий. Типы заданий, их количество и порядок следования индивидуальны. Таким образом, адаптивное тестирование не только дает более объективную оценку знаниям, умениям и навыкам обучаемых, но и позволяет выявлять, какие знания ошибочны или неполны, а также позволяет формировать дальнейшую траекторию обучения.

Благодаря развитию теории адаптивного тестирования стала возможной адаптация не только тестовых заданий, но и тестирующих систем. Эта адаптация может быть направлена на приспособление к предметной области, выбранной для тестирования, а также к текущим потребностям и характеристикам конкретного испытуемого.

Начиная с 90-х годов, компьютерное адаптивное тестирование получило широкое признание за рубежом. Этот факт прослеживается в научных работах Р.К. Хамблетона, Дж. Кингсбури, Дж. Спрея, Д. Вейсса и др. В России этой теме посвящены работы С.С. Андреева, Г.Ю. Ксензовой, В.И. Нардюжева, М.Б. Челышковой, А.Г. Шмелева, Е.А. Ямбурга и др.

параметров испытуемых, неполностью исследовано введение аналитических зависимостей между уровнем подготовленности студентов и сложностью заданий при дифференциации режимов адаптивного обучения и адаптивного контроля, имеет место несоответствие запланированной сложности заданий реальной. В последнем случае, как правило, все задания имеют фиксированные веса (оценка сложности задания). При многократном тестировании складывается ситуация, когда самые сложные задания (по мнению разработчика теста) на самом деле могут иметь сложность не выше среднего. Для решения этой проблемы необходимо провести переоценивание сложности заданий на основе ответов, данных студентами на них. Как показывают исследования по интеллектуальному анализу и обработке данных (ИАД), такой тип задач характерен для кибернетического метода ИАД, основанного на технологии нейросетевого анализа данных. Целью ИАД является создание алгоритмического и программного обеспечения для компьютерной техники, позволяющего решать различные интеллектуальные задачи, в число которых можно включить и проблему определения реальной сложности тестовых заданий, необходимых для адаптивного тестирования.

На сегодняшний день искусственные нейронные сети (ИНС) широко применяются в разных областях науки и производства, однако в образовании подобные сети использовались крайне редко. Обладание такими свойствами, как сбор информации или анализ и принятие решения, если оно требуется, позволяет применять аппарат искусственных нейронных сетей в тестировании для решения проблем, связанных с совершенствованием контрольно-измерительных материалов (КИМ) тестов по информатике, способствуя повышению достоверности результатов тестирования.

Исследованиям в области искусственных нейронных сетей посвящены работы ряда зарубежных (Р. Земел, Т. Кохонен, У. Маккалох, У. Питгс, Ф. Розенблатг, Д. Хинтон, Дж. Холанд и др.) и отечественных (H.A. Горбач, А.Н. Горбань, П.П. Кольцов, С. Короткий, В.А. Крисилов, В.Г. Царегородцев и др.) авторов.

Искусственные нейронные сети представляют собой информационные структуры, лежащие в основе функционирования некоторых компьютерных программ. Такие сети состоят из простых однотипных элементов (нейронов), связанных между собой определенным образом, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Каждый нейрон характеризуется своим текущим состоянием (возбужден или заторможен). Наглядно ИНС можно представить в виде ориентированного графа, вершины которого будут соответствовать нейронам, а дуги, соединяющие вершины, - синаптическим связям или весам. ИНС обладают рядом ценных свойств, в числе которых способность обучаться, дообучаться, анализировать поступающую информацию, обрабатывать большой объем данных, представленных в разных шкалах, отсеивать ненужную информацию, осуществлять прогноз, параллельно обрабатывать сигналы, благодаря объединению большого числа нейронов в слои. В связи с этим выделяют

различные классификации ИНС, модели которых способны решать различные задачи.

Большинство моделей искусственных нейронных сетей при решении любой задачи необходимо обучить, то есть настроить определенным образом весовые коэффициенты. В общем случае, обучение - такой выбор параметров сети, при котором сеть лучше всего справляется с поставленной проблемой. Обучение нейронной сети - это задача многомерной оптимизации, и для ее решения существует множество алгоритмов. После обучения ИНС способна решать поставленные задачи, такие, например, как анализ КИМ на предмет их соответствия заявленной тематике и уровню сложности. Таким образом;, нейросетевые технологии могут быть использованы для совершенствования КИМ тестов по информатике и, как следствие, - повышения достоверности измерения уровня знаний студентов.

Можно предположить, что использование разработанных подобным образом адаптивных тестов в рамках обучения информатике студентов вузов положительно скажется на эффективности такой подготовки будущих специалистов.

Налицо противоречие между недостаточной эффективностью существующих подходов к измерению результативности обучения информатике в вузе и отсутствием технологий, позволяющих адаптировать содержание контрольно-измерительных материалов с учетом специфики контингента обучающихся, способствующих повышению достоверности определения уровня знаний и умений по информатике студентов вузов.

Разрешение этого противоречия возможно на основе разработки тестов, направленных на достоверные контроль и оценку учебных достижений студентов по информатике, за счет применения адаптивного тестирования с последующей возможностью усовершенствования КИМ при помощи искусственных нейронных сетей. Это свидетельствует об актуальности темы, выбранной для исследования.

Проблема исследования заключается в отсутствии подходов, основанных на использовании нейросетей, к разработке эффективных адаптивных тестов и методов использования таких тестов при измерении эффективности обучения информатике в вузе.

Объект исследования - система измерения эффективности обучения информатике в вузе.

Предмет исследования - совершенствование системы контроля учебных достижений по информатике за счет использования нейросетевых технологий в адаптивном тестировании.

Цель исследования - обосновать эффективность использования адаптивного тестирования по информатике в вузе, разработав систему адаптивного тестирования на основе применения аппарата искусственных нейронных сетей.

Гипотеза исследования: если провести совершенствование адаптивных тестов за счет применения аппарата искусственных нейронных сетей, то это

позволит повысить достоверность (валидность) оценивания результатов обучения информатике и, как следствие, повысит эффективность подготовки студентов.

В соответствии с поставленной целью и выдвинутой гипотезой определены следующие задачи:

• выявить теоретико-методологические аспекты использования тестовых технологий в обучении информатике;

• определить специфику функционирования искусственных нейронных сетей и возможность их использования при разработке педагогических тестов с варьирующейся сложностью заданий по информатике;

• разработать контрольно-измерительные материалы для адаптивного тестирования по информатике;

• усовершенствовать разработанные контрольно-измерительные материалы по информатике за счет использования искусственных нейронных сетей, создав необходимое программное обеспечение и осуществив опытное тестирование студентов;

• разработать методику применения результатов, полученных в ходе адаптивного тестирования, для определения путей совершенствования системы обучения студентов информатике;

• экспериментально обосновать эффективность адаптивного тестирования по информатике.

Методологической основой исследования являются подходы к созданию, классификации и применению тестов и заданий в тестовой форме (B.C. Аванесов, К. Ингенкамп, А.Н. Майоров), современные подходы к формированию и использованию искусственных нейронных сетей (Т. Кохонен, У. Маккалох, У. Питтс, Ф. Розенблатт, Дж. Холанд, А.Н. Горбань, H.A. Горбач, П.П. Кольцов, С. Короткий, В.А. Крисилов), методы обучения информатике в вузе (Ю.А. Горшеин, Н.П. Коваленко, A.A. Кузнецов, М.П. Лапчик, Н.И. Пак, И.Г. Семакин, И.А. Соловьева).

Научная новизна исследования заключается в:

• обосновании эффективности использования адаптивного тестирования при измерении результатов обучения информатике в вузе и целесообразности применения искусственных нейронных сетей для совершенствования педагогических тестовых материалов;

• определении структуры искусственной нейронной сети, необходимой для совершенствования адаптивного теста по информатике;

• разработке технологии формирования и совершенствования педагогических тестовых материалов, а также методики их использования при обучении информатике в вузе.

Теоретическая значимость заключается в обосновании целесообразности применения тестов с варьирующейся сложностью заданий при обучении информатике в вузе, а также необходимости использования аппарата искусственных нейронных сетей для совершенствования педагогических тестовых материалов, применяемых в адаптивном тестировании по информатике, в определении вида и структуры требуемых для этого нейронных сетей.

Практическая значимость исследования заключается в разработке педагогических тестовых материалов по дисциплинам «Языки и методы программирования» и «Вводный курс информатики», создании искусственной нейронной сети и ее применении в определении сложности тестовых заданий, формировании адаптивного теста и разработке методики его применения при обучении информатике. Создано компьютерное программное обеспечение, необходимое для адаптивного тестирования по информатике.

Методы исследования. Для решения поставленных в исследовании задач использовались следующие методы: общенаучные методы теоретического исследования (анализ, синтез, формализация, моделирование, классификация, обобщение); методы эмпирического исследования (изучение педагогического опыта, изучение литературы, наблюдение, тестирование); методы объектно-ориентированного проектирования и программирования.

Достоверность и обоснованность основных положений исследования обусловлены тем, что их основы формировались с учетом потребностей современной системы обучения информатике в вузе, а само исследование строилось на общепризнанных в отечественной и мировой практике тенденциях в технологии оценки образовательных достижений, а также опыте создания и применения искусственных нейронных сетей.

Этапы исследования. Исследование по теме проводилось в течение четырех лет и условно может быть разделено на три взаимосвязанных этапа.

На первом этапе (2005 - 2006 гг.) осуществлялся теоретический анализ научных работ и литературы, имеющих отношение к проблеме исследования. Определялись теоретические аспекты применения тестовых технологий в обучении информатике. Обосновывалось применение искусственных нейронных сетей для совершенствования тестовых заданий.

На втором этапе (2006 - 2007 гг.) осуществлялось моделирование теста по информатике, велась разработка компьютерной версии адаптивного тестирования, отбиралась искусственная нейронная сеть, необходимая для совершенствования тестовых заданий. Осуществлялась программная реализация выбранной искусственной нейронной сети.

На третьем этапе (2007 - 2009 гг.) определялась эффективность использования адаптивного тестирования для выявления уровня знаний студентов по информатике в вузе, осуществлялось совершенствование адаптивного теста с помощью аппарата искусственных нейронных сетей, разрабатывалась методика применения результатов адаптивного тестирования для совершенствования системы обучения информатике в вузе. Результаты исследования оформлялись в виде диссертационной работы.

На защиту выносятся следующие основные положения:

1. Разработка педагогических тестовых материалов по информатике и их последующее совершенствование на основе создания и применения искусственных нейронных сетей способствует адаптации тестирования к особенностям контингента студентов.

2. Применение разработанной искусственной нейронной сети позволяет усовершенствовать педагогические тестовые материалы по информатике, повысив объективность и достоверность результатов педагогических измерений.

3. Использование адаптивного тестирования, разработанных педагогических тестовых материалов, компьютерных программных средств и методов применения результатов тестирования способствует повышению эффективности обучения информатике в вузе.

Апробация и внедрение результатов диссертационного исследования. Достоверность результатов исследования обеспечивается адекватностью используемых методов задачам исследования и подтверждается результатами проведенного педагогического эксперимента.

Результаты исследования, разработанные контрольно-измерительные материалы для двух дисциплин «Языки и методы программирования» и «Вводный курс информатики», а также средства тестирования внедрены в учебный процесс Курского государственного университета.

Основные положения и результаты исследования докладывались на III Международной научно-практической конференции «Интеллектуальные технологии в образовании, экономике и управлении - 2006», Международной научно-практической конференции «Информационные технологии в образовании» («ИТО-Черноземье-2006»), семинаре «Компьютерные образовательные программы для курса информатики средней школы» (Курск 2006), очном методическом семинаре по обмену опытом и обеспечению результатов поддержки педагогических инициатив (Курск, 2008), научных и научно-методических конференциях и семинарах Курского государственного университета (2005 - 2008), Международной научно-практической конференции «Информационные технологии в образовании» («ИТО-Черноземье-2008»).

Структура работы определена целью и логикой исследования. Диссертация состоит из введения, трех глав, заключения, списка литературы и двух приложений.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновываются актуальность исследования, определяются объект, предмет, цель и задачи исследования, формулируется гипотеза^ конкретизируются методы и этапы работы, раскрывается научная новизна исследования, его теоретическая и практическая значимость.

Первая глава «Теоретические основы использования педагогического тестового контроля при обучении информатике» состоит из трех параграфов. Она посвящена определению роли и места тестового метода как эффективного и объективного метода контроля качества знаний учащихся. В исследовании под «тестом» понимается инструмент, состоящий из квалиметрическн выверенной системы тестовых заданий, стандартизированной процедуры проведения и заранее спроектированной технологии обработки анализа результатов, предназначенный для измерения качеств и свойств личности, изменение которых

возможно в процессе систематического обучения». Рассмотрены подходы разных авторов (B.C. Аванесова, К. Ингенкампа, A.M. Майорова) к классификации педагогических тестов. Выявлено, что одним из наиболее оправданных и эффективных методов использования информационных технологий в системе образования является компьютерное тестирование. На сегодняшний день такое измерение становится все более распространенным вариантом тестирования, благодаря чему наблюдается устойчивый рост применения этого метода в самых различных областях.

Рассмотрены основные функции педагогических тестов - диагностическая, обучающая, организующая и воспитывающая. Определены основные показатели качества тестов: надежность, валидность, объективность. При использовании теста самое главное — отчетливо понимать, что должно быть измерено с помощью него и для какой цели. В зависимости от целей выявлены различные области применения тестов.

Далее рассматриваются методологические аспекты использования тестовых технологий в обучении информатике. Результативность процесса обучения информатике во многом зависит от тщательно отработанной методики контроля знаний. Тестирование по информатике может быть как индивидуальным, так и групповым. Все задания в тесте могут иметь различную степень сложности. Вместе с тем тесты по одной и той же тематике также могут отличаться степенью сложности. Данная возможность позволяет педагогу дифференцировать обучение. Большинство авторов, особенно зарубежных, не делает различий между понятиями «сложность» и «трудность». Тоже самое можно сказать и о разработчиках тестов. Однако есть исследователи, которые различают эти понятия в своих работах. Например, А.Н. Захаров и А.М. Матюшкин отмечают, что степень трудности учебного задания не совпадает с его сложностью. Степень сложности учебного материала характеризуется реальной насыщенностью учебного задания и формой его изложения, а степень трудности всегда предполагает соотнесение усвоения учебного материала с ранее усвоенным и интеллектуальными возможностями учащихся. Использование тестов способствует развитию внимания, памяти, самоконтролю, рассуждению и анализу, обобщению знаний. Тестовые задания должны составляться с максимальным использованием проблемного подхода. Как правило, в тесте должны быть собраны такие задания, которые обладают системообразующими свойствами, т.е. принадлежат к одной учебной дисциплине, связаны и упорядочены по мере возрастания их сложности. Определено, что одними из основных преимуществ заданий в тестовой форме по отношению к задачам и вопросам являются краткость, логическая структура, стандартизованность и единая простая процедура проведения измерений с последующей оценкой их результатов.

Далее в главе определено, что наиболее эффективным способом для определения уровня знаний студентов является использование тестов с варьирующейся сложностью заданий. Тесты фиксированной длины обладают большим потенциалом, однако они не совершенны. Их необходимо дорабатывать

по содержанию, или иными словами, адаптировать для учащихся. Одной из основных идей появления тестов с варьирующейся сложностью заданий являлось стремление исследователей повысить эффективность тестовых измерений за счет сокращения количества заданий в тесте, а, как следствие, и времени, требуемого для выполнения всего теста. Зачастую системы с варьирующейся сложностью заданий называют системами адаптивного тестирования. Таким образом, под адаптивным тестированием будет пониматься совокупность тестовых заданий, обладающих необходимыми характеристиками для эффективного оценивания уровня и качества подготовленности тестируемого, порядок предъявления которых зависит от правильности ответа тестируемым на предыдущие задания.

Эффективность адаптивных тестов по информатике повышается при использовании многошаговой стратегии отбора и предъявления заданий, основанной на алгоритмах с полной контекстной зависимостью, в которых очередной шаг совершается только после оценки результатов выполнения предыдущего шага.

Сопоставление различных видов адаптивного тестирования по информатике с позиции их эффективности для решения проблем контроля в образовании приводит к выбору в качестве основного подхода компьютерного адаптивного тестирования, основанного на многошаговых варьирующих стратегиях. Наиболее важное преимущество варьирующих стратегий связано с возможностью оперативного реагирования на результаты выполнения учебных заданий по информатике путем переоценки уровня подготовленности обучаемого после выполнения каждого очередного задания адаптивного теста. Последнее обстоятельство порождает уникальные возможности в решении проблем индивидуализации при обучении и контроле по информатике.

В данной главе отражены основные методы моделирования адаптивных тестов:

• метод моделирования адаптивных тестов при двухшаговом адаптивном тестировании;

• метод наибольшего правдоподобия;

• метод генерации адаптивных тестов при варьирующемся адаптивном тестировании с использованием компьютерных технологий;

• метод калибровки тестовых заданий (двухпараметрические модели теории ШТ).

Вторая глава «Нейросетевые системы и возможности их использования для анализа результатов педагогических измерений и совершенствования тестов» посвящена специфике функционирования искусственных нейронных сетей и возможности их использования при разработке педагогических тестов с варьирующейся сложностью заданий по информатике.

В главе были рассмотрены основные направления моделирования в области искусственного интеллекта. Выявлено, что существует четыре основных математических метода, применяемых в задачах интеллектуального анализа данных:

1) статические методы;

2) кибернетические методы;

3) оптимизационные методы;

4) экспертные методы.

Определены преимущества применения искусственных нейронных сетей:

• возможность нестандартного решения многих стандартных задач;

• способность решения сразу нескольких задач классификации или прогноза одной нейронной сетью;

• способность нейронной сети к обобщению, обучению и самообучению на основе полученных данных (в том числе и по результатам тестирования). Эта способность заключается в том, что нейронные сети могут самостоятельно изучить статические и динамические свойства управляемого объекта на основе результатов измерений, а затем вынести самостоятельное оптимальное решение;

• параллельная архитектура и параллельная обработка информации. Смысл этой способности заключается в том, что обычно информация обрабатывается последовательно (пошагово) одним центральным процессором. В нейросетях информация обрабатывается несколькими нейронами (центральными процессорами) параллельно.

Вторая глава также содержит описание моделей и структуры искусственных нейронных сетей. Рассмотрены различные подходы к классификации нейросетей:

• топологическая классификация;

• классификация по характеру обучения;

• нейрофункциональная классификация;

• нейроструктурная классификация;

• классификация по типу сигналов;

• синаптическая классификация.

В диссертации подробно рассмотрено функционирование нейронных сетей и их использование в педагогических измерениях. Установлено, что большинство моделей искусственных нейронных сетей при решении любой задачи необходимо обучить, то есть настроить весовые коэффициенты определенным образом. Выделяют три вида обучения: с учителем, без него (самообучение) и смешанное.

В первом случае обучение предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый идеальный выход. Вместе они называются обучающей парой. Множество таких обучающих пар принято называть учителем. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Обучение ИНС с учителем подходит для анализа на предмет соответствия задания теста по информатике заявленной тематике.

Во втором случае ИНС не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами.

Обучающее множество состоит лишь из входных векторов (в нашем случае каждый вектор представляет собой количество верных и неверных ответов на тестовое задание). Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векгоры, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Этот вариант обучения ИНС подходит для анализа уровня сложности тестовых заданий.

При смешанном обучении часть весов определяется посредством обучения с учителем, в то время как остальная часть получается с помощью самообучения.

Таким образом, за счет использования подобного метода интеллектуального анализа данных появляется возможность предварительной разработки тестов по информатике с присвоением заданиям примерных уровней сложности. В дальнейшем при прохождении тестирования группой студентов может происходить обучение специально разработанной искусственной нейронной сети, в результате которого такая сеть станет пригодной для определения реального уровня сложности разработанных тестовых заданий.

Анализ, проведенный в ходе исследования и описанный во второй главе диссертации, свидетельствует, что наиболее подходящей сетью для решения проблем совершенствования контрольно-измерительных материалов по информатике является классический персептрон Розенблатга. Этот выбор обусловлен способностью нейронов сети объединяться и модифицировать свои связи в соответствии с поставленной задачей. С точки зрения взаимодействия нейронов этот вид сети можно отнести к ИНС прямого распространения сигнала (сигнал по сети проходит только в одном направлении от входа к выходу). По способу организации персептрон Розенблатга может быть как однослойным, так и многослойным.

Третья глава «Использование нейросетевых технологий в формировании системы адаптивного тестирования по информатике» посвящена описанию подходов к разработке и применению адаптивного тестирования в обучении информатике в вузе.

Глава содержит описание разработки контрольно-измерительных материалов по двум дисциплинам «Языки и методы программирования» и «Вводный курс информатики», предназначенных для использования в адаптивном тестировании. Для части разделов этих учебных курсов была разработана система тестовых заданий. В качестве примера в приложениях к диссертации приведены задания по двум темам (36 и 31 задание соответственно). В рамках исследования эти контрольно-измерительные материалы рассматривались в. качестве содержательной основы для создания и совершенствования системы адаптивного тестирования по информатике. В качестве примера можно отметить следующие задания:

Простой оператор условного перехода имеет следующую структуру:

• 1/<условие> then <действие!> else <действие2>;

• begin.. end;

• goto <метка>;

• If <условие> then If <условие> then <действие>.

Фразе «Если А=б ИЛИ А=10, то Б=б» соответствует фрагмент программы:

• I/ (А=6)АЫО(А-10) ТГ1ЕА!В:=б;

• 1/ (А=6)С>К(А=10) ТНЕК1 В: =6;

• I/(А==6)АКО(А==Ю) ТНЕЫ В: =6;

• 1/(А==6)ОИ(А==Ю) ТНЕЫВ:=6.

Информацию, изложенную на доступном для получателя языке, называют:

• полной;

• полезной;

» актуальной;

• понятной.

Подобные разработки составили банк заданий для адаптивного тестирования по информатике. При этом определялись и учитывались такие численные математические величины как, уровень сложности задания, вероятность угадывания ответа, емкость ответа на вопрос и другие, необходимые для характеристики каждого задания в отдельности.

В результате анализа математической величины «вероятность угадывания правильного ответа» можно сделать вывод о том, что при составлении вопросов-заданий ввда «идентификация» рекомендуется делать количество ответов больше трех.

На основе предварительного тестирования студентов Курского государственного университета были определены уровни сложности разработанных заданий (таблица 1), описанных в приложении к диссертации. Данные параметры подлежат уточнению в рамках использования аппарата искусственных нейронных сетей.

№ задания 1 2 3 4 5 6 7 8 9 10 И 12 13 14 15 16 17 18

Сложность 3 2 2 2 3 2 2 2 2 1 1 1 2 1 2 1 2 3

19 20 21 22 23 24 25 26 27 28 29 30 1 31 32 33 34 35 36

3 3 3 2 3 3 3 1 1 1 2 1 2 2 1 1 1 1

Таблица 1. Первоначальный уровень сложности разработанных тестовых заданий по информатике.

Далее в третьей главе диссертации согласно описанию классического персептрона Розенблатга была создана модель искусственной нейронной сети (рисунок 1), позволяющая при необходимости модифицировать коэффициенты сложности заданий.

У,

контрольно-измерительных материалов по информатике.

После построения модели ИНС проводится ее обучение на векторе значений, роль которых играют ответы студентов на задания теста по информатике. В ходе исследования обучение ИНС осуществлялось методом соревнования согласно принципу «победитель получает все». При соревновательном обучении выходные нейроны «соревнуются» между собой за активизацию. Это явление известно как правило «победитель берет все». Обучение посредством соревнования позволяет кластеризовать входные данные: подобные примеры группируются сетью в соответствии с корреляциями и представляются одним элементом. При обучении модифицируются только веса «победившего» нейрона. Эффект этого правила достигается за счет такого изменения сохраненного в сети образца (вектора весов связей победившего нейрона), при котором он становится чуть ближе к входному примеру.

Рассмотрим три варианта обучения персептрона: I. Если изначальная сложность задания теста по информатике равна единице, тогда:

1) на вход подается обучающий вектор, состоящий из единиц и нулей:

• при X, = 0, «,<» = «,<" + а; = „<■>;

• при х, = 1, и«,(,> = ; №<'> = и-'0 +а ;

2) если и>;п > и-;11, то сложность задания не надо менять, иначе

• при х,=0, №[2> = + а; и><21 = ;

• при х, = 1, <> = И-'2»; н-<2> = И.® + а;

3) если м^21' > г^<2), то сложность задания меняем на три, иначе на два.

II. Если изначальная сложность задания теста по информатике равна трем, тогда:

1) на вход подается обучающий вектор, состоящий из единиц и нулей:

• при xt = 0 , wp> = + a ; = w<0 ;

• при x,=l, wf" = nf >; wf = w™ + a ;

2) если > w"', то сложность задания не надо менять, иначе

• при х, = 0, = w(2> + а. = w(2,.

• при х, = 1, = wf2); wi2) = <> + a;

3) если Wj" > w™, то сложность задания меняем на единицу, иначе на два.

III. Если же изначальная сложность задания теста по информатике равна двум, тогда:

• при xt = 0 г = ц>, - а; vc2 = м>г; w3 = + а;

• при Xt — 1 , iv, = wt + а; w2 = w2; w3 = w3 - a .

Кроме этого, третья глава содержит описание разработанной в ходе исследования нейросетевой компьютерной системы адаптивного тестирования (НКСАТ). Данное программное средство предназначено для решения двух основных задач. Встроенные в него искусственная нейронная сеть и модуль ее построения, обработки и обучения позволяют проводить проверки соответствия заявленного уровня сложности тестовых заданий по информатике действительному уровню сложности, определяемому в ходе пробного тестирования студентов (рисунок 2). На основании рекомендаций, выдаваемых НКСАТ, проводится совершенствование контрольно-измерительных материалов по информатике. Кроме того, разработанное программное средство позволяет проводить адаптивное тестирование студентов по информатике на основе

Рисунок 2. Адаптивное тестирование по информатике с помощью нейросетевой компьютерной системы адаптивного тестирования НКСАТ.

Рисунок 3. Проверка соответствия заявленной сложности тестовых заданий по информатике действительной сложности с помощью НКСАТ.

В результате работы ИНС педагогам-разработчикам КИМ по информатике предоставляется информация о номере задания, уровне его заявленной и действительной сложности (рисунок 3).

Для тестовых заданий, приведенных в приложении к диссертации, на основе созданной нейронной сети и программного средства НКСАТ были получены результаты, отраженные в таблице 2.__

№ зада ния Результат № зада ния Результат № зада ния Результат

1 Требуется замена сложности задания с 1 на 2 14 Сложность адекватная 26 Требуется замена сложности задания с 3 на 1

2 Сложность адекватная 15 Сложность адекватная 27 Сложность адекватная

3 Сложность адекватная 16 Требуется замена сложности задания с 2 на 1 28 Сложность адекватная

4 Сложность адекватная 17 Сложность адекватная 29 Требуется замена сложности задания с 1 на 2

5 Сложность адекватная 18 Сложность адекватная 30 Требуется замена сложности задания с 2 на 1

6 Сложность адекватная 19 Требуется замена сложности задания с 3 на 2 31 Сложность адекватная

7 Сложность адекватная 20 Требуется замена сложности задания с 3 на 2 32 Сложность адекватная

8 Сложность адекватная 21 Сложность адекватная 33 Сложность адекватная

9 Сложность адекватная 22 Сложность адекватная 34 Сложность адекватная

10 Сложность адекватная 23 Требуется замена сложности задания с 3 на 2 35 Требуется замена сложности задания с 1 на 2

12 Сложность адекватная 24 Требуется замена сложности задания с 3 на 2 36 Требуется замена сложности задания с 1 на 2

13 Сложность адекватная 25 Требуется замена сложности задания с 3 на 2

Таблица 2. Результаты анализа уровня сложности тестовых заданий по информатике с помощью искусственной нейронной сети и НКСАТ.

В диссертации сформулированы предложения по использованию результатов адаптивного тестирования по информатике в вузе. Такие результаты могут быть использованы не только при решении вопросов, связанных с измерением уровня знаний, но и при определении педагогических стратегий, которые вуз должен применять при обучении студентов информатике. Дело в том, что результаты тестирования предоставляют педагогический материал,

отражающий специфику вузовской подготовки студентов, последующее обучение которых, безусловно, должно производиться с учетом этой специфики. Чтобы повысить эффективность учебного процесса по информатике, необходимо учитывать подобный материал при ежегодном корректировании рабочих учебных программ и планов.

Если в ходе адаптивного тестирования по информатике выявлено общее недопонимание студентами одной из тем учебного курса информатики, то при последующем обучении педагог должен затратить больше учебного времени и уделить большее внимание изучению этой темы. Дополнительное учебное время и другие ресурсы для этого могут быть высвобождены в результате упрощенного рассмотрения тем, известных студентам в большей степени. Подобные, «понятные всем», темы курса информатики также выявляются в процессе тестирования.

Вопросам формирования и совершенствования содержания обучения информатике уделено достаточно большое внимание в современных педагогических исследованиях. Однако существующие теоретические разработки дают, как правило, общее направление формирования содержания курса, оставляя существенное поле для варьирования при практическом отборе содержания конкретного курса.

Одним из подходов к совершенствованию содержания обучения информатике можно отметить использование педагогической экспертизы для решения проблемы структурирования и планирования учебного материала, рассмотренное B.C. Черепановым. Автор предлагает с помощью педагогической экспертизы оценивать отбор базовых понятий, основных умений, необходимого минимума учебного материала для различных видов учебных занятий, анализ межпредметных связей, разработку учебных планов образовательных учреждений. Учитывая методику, предложенную B.C. Черепановым, педагогическая экспертиза была адаптирована для использования в процессе совершенствования структуры и содержания учебных курсов информатики для высших учебных заведений на основе использования результатов тестирования. В ходе эксперимента был получен набор результирующих значений (вектор R = 46% и 56%), который показал места «недопонимания» студентов в общей совокупности тем. Полученные значения были отражены в эквивалентном увеличении или уменьшении объема учебных часов, количестве практического материала. Соответствующие коррективы были внесены и в содержание учебных курсов таким образом, чтобы акцентировать внимание конкретных студенческих групп на темах, вызывающих затруднения при изучении информатики.

Эксперимент проводился на базе факультета информатики и вычислительной техники Курского государственного университета. В ходе такой работы было задействовано 89 студентов очного отделения. Структура эксперимента, в ходе которого в рамках тестирования студентов, использования нейронной сети и программного средства НКСАТ проводилось совершенствование системы оценки эффективности обучения информатике, представлена на рисунке 4.

инс

Первоначальный НКСАТ Адаптивный Процесс обучения

тест тест информатике

Студенты Студенты

Рисунок 4. Экспериментальное совершенствование системы оценки эффективности обучения информатике.

Процесс совершенствования системы оценки эффективности обучения информатике состоял из нескольких этапов и проводился на протяжении двух лет. В течение первого года была сформирована контрольная группа студентов, которые изучали описанные в диссертации дисциплины, относимые к информатике. Контрольная группа состояла из 43 студентов. Были разработаны задания для тестирования по каждой теме из дисциплин. На протяжении всего периода изучения описанных дисциплин студентам контрольной группы предлагалось пройти адаптивные тесты по каждой теме. Все результаты, полученные в ходе тестирования, заносились в базу данных и использовались для обучения искусственной нейронной сети, с помощью которой затем выносилось решение о соответствии или несоответствии текущего уровня сложности тестовых заданий реальному уровню сложности. На основе данных, полученных в ходе тестирования, составлялась матрица результатов, основными характеристиками которой были:

1. Величина сложности тестового задания В! (позволяет судить об эффективности задания. Если значение Ву<-0,2, то задание слишком легкое, и его надо исключить из теста).

2. Средняя сложность заданий теста Вср.

3. Адаптивность теста А^ к данной группе (позволяет судить о том, насколько эффективно были подобраны задания для определения уровня знаний студентов. Если группе слабых студентов достаются сложные задания, а группе сильных студентов - легкие задания, то групповая адаптивность будет иметь отрицательное значение, что свидетельствует о низкой эффективности контрольно-измерительного материала).

В таблице 3 приведены параметры, выявленные в ходе первоначального тестирования студентов контрольной группы с использованием заданий,

№ п/п Параметры тестирования Результат

1 Средняя сложность заданий (Вср) ^«-0,82

2 Групповая адаптивность (А ,р) Л,—0,12

Таблица 3. Данные статистической обработки результатов тестирования студентов контрольной группы, проведенной до совершенствования КИМ.

Результаты первоначального тестирования группы студентов свидетельствуют о том, что значение далеко от единицы. Таким образом, необходимо изменение значения групповой адаптивности путем замены несоответствующей сложности задания адекватной.

Матрица результатов адаптивного тестирования и решение, принимаемое с помощью искусственной нейронной сети, предоставлялись педагогам-экспертам, в качестве которых выступали преподаватели Курского государственного университета, имеющие отношение к рассматриваемым дисциплинам. Они принимали окончательное решение об изменении уровней сложности тестовых заданий по информатике.

В конце учебного года студентам контрольной группы был предложен адаптивный тест, задания которого охватывали весь изученный материал и имели достоверные уровни сложности, определенные экспериментальным путем. Полученные при этом данные представлены в таблице 4.

№ п/п Параметры тестирования Результат

1 Средняя сложность заданий (Вср) В,,» 0,07

2 Групповая адаптивность (Агр) «0,31

Таблица 4. Данные статистической обработки результатов итогового адаптивного тестирования студентов контрольной группы.

Результаты выполнения студентами заданий всех предложенных тестов также были предоставлены педагогам-экспертам. Рассмотрев полученные результаты, они составили таблицу рекомендаций для дальнейшего совершенствования системы обучения курсу «Языки и методы программирования».

В течение второго учебного года была сформирована экспериментальная группа студентов, изучавших описанные ранее дисциплины в соответствии с усовершенствованными системами обучения. Экспериментальная группа состояла из 46 студентов.

На протяжении всего периода обучения вышеописанным дисциплинам студентам предлагались адаптивные тесты, уровень сложности заданий которых был определен ранее в рамках обучения контрольной группы. В конце года студентам экспериментальной группы был предложен адаптивный тест, задания которого охватывали весь изученный материал. Полученные при этом данные представлены в таблице 5.

№ п/п Параметры тестирования Результат

1 Средняя сложность заданий (Вср) Вс„«0,07

2 Групповая адаптивность (Агр) Л * 0,65 гр >

Таблица 5. Данные статистической обработки результатов итогового адаптивного тестирования студентов экспериментальной группы.

Оценивая ход и результаты эксперимента в двух группах (контрольной и экспериментальной), где в контрольной группе проводилось обучение информатике без учета результатов адаптивного тестирования, а в экспериментальной группе обучение велось согласно методической системе, измененной на основе результатов адаптивного тестирования, можно отметить, что в экспериментальной группе улучшились: 1) показатель групповой адаптивности, 2) успеваемость по дисциплине (рисунок 5).

Рисунок 5. Сравнение результативности обучения информатике студентов контрольной и экспериментальной групп.

Проведя анализ результатов обучения, можно сделать вывод о том, что при адаптивном тестировании стала возможной более точная оценка индивидуальной обученности студентов.

Компьютерная обработка результатов тестирования с использованием математических моделей тестовой теории позволяет проводить тестирование на больших выборках и обрабатывать полученные результаты, что позволяет получать устойчивые значения параметров тестовых заданий и сравнивать обученность студентов по информатике.

Полученные на основе применения современной компьютерной техники, программного обеспечения и искусственных нейронных сетей результаты тестирования по информатике могут служить рекомендацией педагогам, ответственным за корректировку содержания контрольно-измерительных материалов по информатике.

На основе результатов проведенного эксперимента можно сделать вывод о том, что использование адаптивных тестов при проверке уровня знаний студентов по сравнению с тестами фиксированной длины дает более достоверные результаты, а применение искусственных нейронных сетей позволяет усовершенствовать адаптивные тесты и получать более валидные резз'льтаты в рамках измерений эффективности обучения информатике.

ЗАКЛЮЧЕНИЕ

В ходе исследования были получены следующие результаты:

1. Обоснована недостаточная эффективность традиционных тестов фиксированной длины для определения качества обучения студентов информатике. При этом использование адаптивных тестов, длина которых не фиксирована, позволяет повысить достоверность и точность педагогических измерений. Выявлено, что аппарат искусственных нейронных сетей является эффективным инструментом для совершенствования адаптивных тестов по информатике.

2. Произведен анализ существующих нейронных сетей, на основе которого был выбран тип нейронной сети (персептрон Розенблатта) и алгоритм конкурентного обучения этой сети, а также разработана технология, позволяющая повысить объективность и достоверность адаптивного тестирования по информатике. В частности, предложенная технология позволяет адекватно определять уровень сложности тестовых заданий.

3. Разработаны контрольно-измерительные материалы для разделов учебных курсов «Языки и методы программирования» (36 заданий) и «Вводный курс информатики» (31 задание), рассматриваемые в качестве содержательной основы для создания и совершенствования системы адаптивного тестирования по информатике в вузе.

4. Разработана нейросетевая компьютерная система адаптивного тестирования (НКСАТ), позволяющая усовершенствовать контрольно-измерительные материалы адаптивного теста по информатике. НКСАТ состоит из двух подсистем, первая из которых позволяет осуществить компьютерное адаптивное тестирование по информатике с использованием разработанных контрольно-измерительных материалов. Вторая подсистема НКСАТ обеспечивает совершенствование адаптивного теста по информатике средствами нейросетевых технологий за счет сопоставления запланированной сложности тестовых заданий показателям сложности, выявленным экспериментальным путем.

5. За счет использования НКСАТ и проведения педагогических измерений усовершенствованы разработанные контрольно-измерительные материалы, создан адаптивный тест по информатике.

6. Предложен метод использования разработанных и усовершенствованных адаптивных тестов в обучении информатике, который заключается в том, что результаты, полученные в ходе адаптивного тестирования студентов по информатике, могут быть использованы не только при решении вопросов, связанных с измерением уровня знаний студентов, но и при определении путей совершенствования систем обучения студентов информатике. Результаты, полученные в ходе адаптивного тестирования, могут учитываться при ежегодном корректировании рабочих учебных программ и планов с целью повышения общей эффективности учебного процесса по информатике. Экспериментально доказано, что адаптивное тестирование по информатике позволяет достоверно измерить уровень знаний студентов и, следовательно, является эффективным методом мониторинга качества обучения информатике в вузе.

Основные результаты проведенного исследования опубликованы в следующих работах.

Публикации в периодических изданиях, рекомендованных ВАК РФ:

1. Совершенствование системы контроля результативности обучения информатике путем применения адаптивных тестов с нейросетями [Текст] // Вестник Российского университета дружбы народов. Серия «Информатизация образования». - М.: РУДН, 2007, № 4. - С. 65-68. (0,48 пл.).

Научные публикации в других изданиях:

2. Применение нейросетей в образовании [Текст] // Сборник материалов III Международной научно-практической конференции «Интеллектуальные технологии в образовании, экономике и управлении (ИТОЭУ-2006)». - Воронеж: Изд-во им. Е.А. Болховитинова, 2006. - С. 324-327. (0,23 пл.).

3. Нейросети в адаптивном тестировании [Текст] // Вестник Московского городского педагогического университета. Серия информатика и информатизация образования. -М: МГПУ, Курск: КГУ, 2006, №2(7). - С. 43-46. (0,32 пл.).

4. Применение адаптивных тестов с нейросетями в измерении результативности обучения информатике [Текст] // Вестник Московского городского педагогического университета. Серия информатика и информатизация образования. - М: МГПУ, 2007, №2(10). С.11-14. (В соавторстве Гриншкун В.В., 50%) (0,25 пл.).

5. Использование результатов адаптивного тестирования в обучении информатике в вузе [Текст] // Материалы II Международной научно-практической конференции «ИТО-Черноземье-2008». «Информационные технологии в образовании». - Курск: Изд-во КГУ, 2008, 4.2. С. 18-23. (В соавторстве Гриншкун В.В., 50%) (0,38 пл.)

Горюшкин Евгений Игоревич

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В АДАПТИВНОМ ТЕСТИРОВАНИИ ПО ИНФОРМАТИКЕ В ВУЗЕ

Лицензия ИД № 03838

Формат 60x90 Vi6. Бумага офсетная. Гарнитура Times New Roman Су г. Усл. печ. л. 1,44. Тираж 130 экз. Заказ 64.

Отпечатано в ООО «Учитель» с оригинал-макета заказчика г. Курск, ул. Садовая, 31.

Содержание диссертации автор научной статьи: кандидата педагогических наук, Горюшкин, Евгений Игоревич, 2009 год

ВВЕДЕНИЕ.

ГЛАВА I. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИСПОЛЬЗОВАНИЯ ПЕДАГОГИЧЕСКОГО ТЕСТОВОГО КОНТРОЛЯ ПРИ ОБУЧЕНИИ ИНФОРМАТИКЕ.

1.1. Педагогические тесты: содержание, структура, виды, формы и области применения.

1.2. Методологические аспекты использования тестовых технологий в обучении информатике.

1.3. Педагогические тесты с варьирующейся сложностью заданий по информатике.

ГЛАВА II. НЕЙРОСЕТЕВЫЕ СИСТЕМЫ И ВОЗМОЖНОСТИ ИХ ИСПОЛЬЗОВАНИЯ ДЛЯ АНАЛИЗА РЕЗУЛЬТАТОВ ПЕДАГОГИЧЕСКИХ ИЗМЕРЕНИЙ И СОВЕРШЕНСТВОВАНИЯ ТЕСТОВ.

2.1. Методы и системы интеллектуального анализа данных.

2.2. Модели и структура искусственных нейронных сетей.

2.3. Функционирование нейронных сетей и их использование в педагогических измерениях.

ГЛАВА III. ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В ФОРМИРОВАНИИ СИСТЕМЫ АДАПТИВНОГО ТЕСТИРОВАНИЯ ПО ИНФОРМАТИКЕ.,.

3.1. Разработка контрольно-измерительных материалов, предназначенных для использования в адаптивном тестировании по информатике.

3.2. Создание нейронной сети для совершенствования контрольно-измерительных материалов по информатике.

3.3. Компьютерное программное обеспечение, необходимое для адаптивного тестирования по информатике.

3.4.Применение адаптивного тестирования в обучении информатике в вузе.

3.5. Экспериментальная работа по обоснованию эффективности адаптивного тестирования по информатике.

Введение диссертации по педагогике, на тему "Использование нейросетевых технологий в адаптивном тестировании по информатике в вузе"

В частности, вопросам методики обучения информатике в вузе посвящены работы Т.А. Бороненко [18], И.Б. Готской, С.Г. Григорьева [32, 33], А.Р. Есаяна [41], В.Е. Жужжалова [42], А.А. Кузнецова [59], М.П. Лапчика [62], Д.Ш. Матроса [71], Н.И. Пака [85, 86], И .Г. Семакина [101], А .Я. Фридланда [116], Е.К. Хеннера [101] и др.

Анализ методов педагогических измерений позволяет сделать вывод о том, что одним из объективных и эффективных методов контроля качества знаний учащихся образовательных учреждений является тестовый метод, основанный на использовании педагогических тестовых материалов. В настоящее время трудно назвать дисциплину, в обучении которой так или иначе не применялась бы тестовая форма контроля знаний.

Разработкой и исследованием тестовых технологий начали заниматься еще в начале прошлого века такие исследователи-педагоги, как А.П. Болтунов, Г.И. Россолимо, М.Ю. Сыркин и др. Начиная с 60-х годов XX века и по сегодняшний день, данная тематика нашла отражение в работах B.C. Аванесова [2-7], А. Анастази [8, 9], С.И. Архангельского [12], В.П. Беспалько [13-16], JI.C. Выготского [21], Т.А. Ильиной, Г.С. Ковалевой, А.Н. Майорова [67, 68], В.М. Полонского [88], В.А. Садовничего [98], И.А. Цатуровой [119], М.Б. Челышковой [120, 121, 122] и др. [39, 69, 74, 92, 93, 94, 112, 114], а также зарубежных ученых А. Бине, Б. Блума [140], К. Гилберта, Р. Йеркса, Дж. Кеттелла, В.А. Макколла, Э. Торндайка и др. [20, 67]. В последнее время появились диссертационные исследования, связанные с различными проблемами тестирования, в том числе и по информатике (Т.Н. Зайчикова [44], H.JI. Майорова [69], А.В. Паволоцкий [84], Н.Н. Самылкина [100], М.Б. Челышкова, В.А. Шухардина [128] и др. [81, 105, 110]).

Педагогический тест представляет собой систему заданий возрастающей трудности специфической формы, позволяющей качественно оценить структуру знаний и эффективно измерить уровень знаний испытуемых по различным дисциплинам. В системе образования существует несколько подходов к классификации педагогических тестов.

Начиная с 90-х годов, компьютерное адаптивное тестирование получило широкое признание за рубежом. Этот факт прослеживается в научных работах Р.К. Хамблетона [147], Дж. Кингсбури [154], Дж. Спрея [167], Д. Вейсса [169] и др.[162, 168]. В России этой теме посвящены работы

С.С. Андреева [10], Г.Ю. Ксензовой [58], В.И. Нардюжева [79], М.Б. Челышковой, А.Г. Шмелева [127], Е.А. Ямбурга [130] и др.

Несмотря на все свои преимущества и проведенные педагогические исследования, адаптивное тестирование имеет ряд недостатков и нерешенных проблем: недостаточно разработаны подходы к оцениванию личностных параметров испытуемых, неполностью исследовано введение аналитических зависимостей между уровнем подготовленности студентов и сложностью заданий при дифференциации режимов адаптивного обучения и адаптивного контроля, имеет место несоответствие запланированной сложности заданий реальной. В последнем случае, как правило, все задания имеют фиксированные веса (оценка сложности задания). При многократном тестировании складывается ситуация, когда самые сложные задания (по мнению разработчика теста) на самом деле могут иметь сложность не выше среднего. Для решения этой проблемы необходимо провести переоценивание сложности заданий на основе ответов, данных студентами на них. Как показывают исследования по интеллектуальному анализу и обработке данных (ИАД), такой тип задач характерен для кибернетического метода ИАД, основанного на технологии нейросетевого анализа данных. Целью ИАД является создание алгоритмического и программного обеспечения для компьютерной техники, позволяющего решать различные интеллектуальные задачи, в число которых можно включить и проблему определения реальной сложности тестовых заданий, необходимых для адаптивного тестирования.

Исследованиям в области искусственных нейронных сетей посвящены работы ряда зарубежных (Р. Земел [107], Т. Кохонен [156, 157], У. Маккалох [159], У. Питтс [159], Ф. Розенблатг [96, 97, 165], Д. Хинтон [107], Дж. Холанд [150] и др.[135, 136, 139, 144, 162]) и отечественных (Н.А. Горбач [29], А.Н. Горбань [24-28], П.П. Кольцов [51], С. Короткий [52, 53], В.А. Крисилов [55], В.Г. Царегородцев [118] и др.[61]) авторов.

Большинство моделей искусственных нейронных сетей при решении любой задачи необходимо обучить, то есть настроить определенным образом весовые коэффициенты. В общем случае, обучение — такой выбор параметров сети, при котором сеть лучше всего справляется с поставленной проблемой. Обучение нейронной сети - это задача многомерной оптимизации, и для ее решения существует множество алгоритмов. После обучения ИНС способна решать поставленные задачи, такие, например, как анализ КИМ на предмет их соответствия заявленной тематике и уровню сложности. Таким образом, нейросетевые технологии могут быть использованы для совершенствования КИМ тестов по информатике и, как следствие, — повышения достоверности измерения уровня знаний студентов.

Объект исследования — система измерения эффективности обучения информатике в вузе.

Предмет исследования — совершенствование системы контроля учебных достижений по информатике за счет использования нейросетевых технологий в адаптивном тестировании.

Цель исследования — обосновать эффективность использования адаптивного тестирования по информатике в вузе, разработав систему адаптивного тестирования на основе применения аппарата искусственных нейронных сетей.

Гипотеза исследования: если провести совершенствование адаптивных тестов за счет применения аппарата искусственных нейронных сетей, то это позволит повысить достоверность (валидность) оценивания результатов обучения информатике и, как следствие, повысит эффективность подготовки студентов.

В соответствии с поставленной целью и выдвинутой гипотезой определены следующие задачи:

• выявить теоретико-методологические аспекты использования тестовых технологий в обучении информатике;

• разработать контрольно-измерительные материалы для адаптивного тестирования по информатике;

• усовершенствовать разработанные контрольно-измерительные материалы ■ по информатике за счет использования искусственных нейронных сетей, создав необходимое программное обеспечение и осуществив опытное тестирование студентов;

• экспериментально обосновать эффективность адаптивного тестирования по информатике.

Методологической основой исследования являются подходы к созданию, классификации и применению тестов и заданий в тестовой форме (B.C. Аванесов, К. Ингенкамп [47], А.Н. Майоров), современные подходы к формированию и использованию искусственных нейронных сетей (Т. Кохонен, У. Маккалох, У. Питтс, Ф. Розенблатт, Дж. Холанд, А.Н. Горбань,

Н.А. Горбач, ГШ. Кольцов,' С. Короткий, В.А. Крисилов), методы обучения информатике в вузе (Ю.А. Горшеин [193], Н.П. Коваленко [189], А.А. Кузнецов, М.П. Лапчик, Н.И. Пак, И.Г. Семакин, И.А. Соловьева [193]). Научная новизна исследования заключается в:

На первом этапе (2005 — 2006 гг.) осуществлялся теоретический анализ научных работ и литературы, имеющих отношение к проблеме исследования. Определялись теоретические аспекты применения тестовых технологий в обучении информатике. Обосновывалось применение искусственных нейронных сетей для совершенствования тестовых заданий.

На втором этапе (2006 — 2007 гг.) осуществлялось моделирование теста по информатике, велась разработка компьютерной версии адаптивного тестирования, отбиралась искусственная нейронная сеть, необходимая для совершенствования тестовых заданий. Осуществлялась программная реализация выбранной искусственной нейронной сети.

На защиту выносятся следующие основные положения:

1) Разработка педагогических тестовых материалов по информатике и их последующее совершенствование на основе создания и применения искусственных нейронных сетей способствует адаптации тестирования к особенностям контингента студентов.

2) Применение разработанной искусственной нейронной сети позволяет усовершенствовать педагогические тестовые материалы по информатике, повысив объективность и достоверность результатов педагогических измерений.

3) Использование адаптивного тестирования, разработанных педагогических тестовых материалов, компьютерных программных средств и методов применения результатов тестирования способствует повышению эффективности обучения информатике в вузе. Апробация и внедрение результатов диссертационного исследования. Достоверность результатов исследования обеспечивается адекватностью используемых методов задачам исследования и подтверждается результатами проведенного педагогического эксперимента.

Заключение диссертации научная статья по теме "Теория и методика обучения и воспитания (по областям и уровням образования)"

Выводы по главе 3

На основании предложенного алгоритма адаптивного тестирования по информатике выполнена программная реализация адаптивного тестирования по двум темам (см. приложение 1 и приложение 2). В ходе педагогического эксперимента все полученные данные были занесены в базу данных.

Выбранная ИНС была программно реализована и обучена на основе полученных данных при тестировании. Результаты работы ИНС были предоставлены педагогам-экспертам, которые принимали решение об изменении ряда уровней сложности заданий. На основании результатов, полученных после прохождения усовершенствованного адаптивного теста по информатике можно сделать следующие выводы:

1) время, необходимое для прохождения адаптивного теста, уменьшается по сравнению с тестом фиксированной длины;

2) мотивация у студентоЁ не теряется;

3) применение ИНС позволяет более качественно определить уровень сложности заданий;

4) усовершенствованные компьютерные адаптивные тесты по информатике могут быть применены для текущего контроля уровня знаний студентов или для принятия решения об изменении содержания курса по информатике.

ЗАКЛЮЧЕНИЕ

В ходе исследования были получены следующие результаты:

2. Произведен анализ существующих нейронных сетей, на основе которого был выбран тип нейронной сети (персептрон Ф. Розенблатта) и алгоритм конкурентного обучения этой сети, а также разработана технология, позволяющая повысить объективность и достоверность адаптивного тестирования по информатике. В частности, предложенная технология позволяет адекватно определять уровень сложности тестовых заданий.

3. Разработаны контрольно-измерительные материалы для разделов учебных курсов «Языки и методы программирования» (36 заданий) и

Вводный курс информатики» (31 задание), рассматриваемые в качестве содержательной основы для создания и совершенствования системы адаптивного тестирования по информатике в вузе.

6. Предложен метод использования разработанных и усовершенствованных адаптивных тестов в обучении информатике, который заключается в том, что результаты, полученные в ходе адаптивного тестирования студентов по информатике, могут быть использованы не только при решении вопросов, связанных с измерением уровня знаний студентов, но и при определении путей совершенствования систем обучения студентов информатике. Результаты, полученные в ходе адаптивного тестирования, могут учитываться при ежегодном корректировании рабочих учебных планов и программ с целью повышения общей эффективности учебного процесса по информатике. Экспериментально доказано, что адаптивное тестирование по информатике позволяет достоверно измерить уровень знаний студентов и является эффективным методом мониторинга качества обучения информатике в вузе.

Список литературы диссертации автор научной работы: кандидата педагогических наук, Горюшкин, Евгений Игоревич, Курск

1. Аванесов B.C. Вопросы методологии педагогических измерений // Педагогические измерения-2005-№3

2. Аванесов B.C. Основы научной организации педагогического контроля в высшей школе: Пособие для слушателей Учебного центра Гособразования СССР.-М.: МИСиС, -1989. -167 с.

3. Аванесов B.C. Научные проблемы тестового контроля.-М.: Исследовательский центр, -1994. -112 с.

4. Аванесов B.C. Формы тестовых заданий: Учеб. пособие.-М.: МИСиС, -1991.-С. 35.

5. Аванесов B.C. Композиция тестовых заданий: Кн. для преподавателей вузов, техникумов, для студентов и аспирантов пед.вузов / В.С.Аванесов. — 2-е изд., испр. и доп.-М.: Адепт, -1998. -217 с.

6. Аванесов B.C. Композиция тестовых заданий. -М. -1996. -С.20.

7. Анастази А. Психологическое тестирование. / СПб, -2002, перевод с англ. Алексеев А.А., -С. 48.

8. Архангельский С.И. Учебный процесс в высшей школе, его закономерные основы и выводы. М.: Высшая школа, -1980. -368 с.

9. Беспалько В.П. Программное обучение: (Дидакт. основы).-М.: Высш.шк. -1970. -300 с.

10. Беспалько В.П., Татур Ю.Г. Системно-методическое обеспечение учебно-воспитательного процесса подготовки специалистов.-М: «Высшая школа»,-1989.-С. 50.

11. Беспалько В.П. Основы теории педагогических систем: (Проблемы и методы психолого-педагогического обеспечения технических обучающих систем).-Воронеж: Изд-во Воронежского ун-та, -1997. -304 с.

12. Беспалько В.П. Слагаемые педагогической технологии.-М.:Педагогика, -1989.-192 с.

13. Большая советская энциклопедия.-М.:Советская энциклопедия, —1970— 1976.-Т.25. -600 с.

14. Бороненко Т. А. Теоретическая модель системы методической подготовки учителя информатики: Дис. . д.п.н.-М.: РГБ, -1997. -335 с.

15. Бучацкая В.В. Автоматизация процедур системного анализа на основе нейронных сетей: Дис. . к.т.н.-М.: РГБ, -2005. -188 с.

16. Вилфорд Д. Современная типология педагогических тестов // Тесты в образовании: Информационный научно-методический бюллетень с электронным приложением.-1999.-Вып. 1. -С. 14-29.

17. Выготский JI.C. Избранные психологические исследования.-М.: Акад. Пед.наук РСФСР, -1956. -С. 257-270

18. Гарцев И.Б. Развитие нейросетевых технологий для управления мехатронными системами: Дис. . к.т.н.-М.: РГБ, -2003. -216 с.

19. Горбань А.Н. Обучение нейронных сетей. М.: СП Параграф, -1991. -160 с.

20. Горбань А.Н. Нейронные сети на персональном компьютере / Горбань

21. A.Н., Россиев Д.А. Новосибирск: Наука. -1996.-276 с.

22. Горбань А.Н. Логически прозрачные нейронные сети для производства знаний из данных / Горбань А.Н., Миркес Е.М. Красноярск, -1997. -12 с.

23. Горбань А.Н. Нейроинформатика и ее приложения // Открытые системы, -1998. №04-05, -10 с.

24. Горбань А.Н. Новая игрушка человечества / Горбань А.Н., Фриденберг

25. B.И. // Мир ПК, -1993. №9, 36 с.

26. Горбач Н.А. Интеллектуальный анализ данных в прогнозировании успешности учебной деятельности обучаемых ВУЗов / Горбач Н.А., Павлюк А.А. Информатизация и информационная безопасность правоохранительных органов— М. 2004.-С. 21-26.

27. Григорьев С.Г., Гриншкун В.В., Макаров С.И. Телекоммуникационные средства контроля знаний в электронных учебниках. // Технологии информационного общества. Интернет и современное общество: Материалы Всерос.объед.конф./ СПб.:СпбГУ, -2001. -С.92-93.

28. Григорьев С.Г., Гриншкун В.В., Макаров С.И. Об определении учебных электронных средств. // В Сб. трудов «Информационные технологии в высшем образовании». М.: Академия нефти и газа.—2001. -С. 4.

29. Гронлунд Н. Тесты достижений в конструировании.-Лондон: Прентис-Холл, -1982. -45 с.

30. Гуревич К.М. Психологическая диагностика. Учебное пособие. -М. -1997.-395 с.

31. Гутник Г.В. Информационное обеспечение системы качеством образования в регионе / Гутник Г.В. Информатика и образование. -1999. -№1. -С. 7-12.

32. Денисенко С.И. Особенности использования тестовых методик для контроля учебной деятельности студентов // Инновации в образовании-2001.-№3.-С. 84-94.

33. Джеффри Е. Хинтон. Как обучаются нейронные сети // В мире науки, -1992.-С. 103-107.

34. Диагностика как фактор развития образовательной системы: Учеб. пособие / Под ред. Максимовой В.Н.- СПб.: ЛОИЛРО, -1995. -82 с.

35. Дуплик С.В. Модель адаптивного тестирования на нечеткой математике // «Информатика и образование» -2004. №11* —34 с.

36. Есаян А.Р. Рекурсия информатике: Учеб. пособие для студентов пед. вузов: Ч. 1: Корзина разнообразных задач / Есаян А.Р. Тула: Изд-во ТГПУ им. Л. Н. Толстого, -2000. -90 с.

37. Ильин Е.С. Интеллектуальная система анализа данных на основе нейронных сетей: Дис. . к.т.н. -М.: РГБ, -2005. -177 с.

38. Ильина Т.А. Тестовая методика проведения знаний и программированное обучение / Сов.Педагогика. -1967.-№2. -С. 122-125.

39. Ингенкамп К. Педагогическая диагностика: Пер. с нем.-М.:Педагогика, -1991.-240с.

40. Исаков П.Н. Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования: Дис. . к.т.н.-М.: РГБ, -2005. -139 с.

41. Кларин М.В. Педагогическая технология в учебном процессе: Анализ зарубежного опыта.-М. .'Знание, -1989. -80 с.

42. Короткий С. Нейронные сети: основные положения // М., -1997. -46 с.

43. Короткий С. Нейронные сети: алгоритм обратного распространения // М., -1997. -67 с.

44. Крапивка С.В. Методика обучения информатике, ориентированная на освоение ЭВМ как средства управления объектами: Дис. . к.п.н.-М.: РГБ, -2000.-173с.

45. Крисилов В. А. Применение нейронных сетей в задачах интеллектуального анализа информации / Крисилов В.А., Олешко Д.Н., Трутнев А.В. // Одесский политехнический универсиситет, -1999. -134 с.

46. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, -2001. -382 с.

47. Круглов В.В., Борисов В.В. ИНС. Теория и практика» 2-е изд., -М.: Горячая линия Телеком, -2002. -382 с.

48. Ксенцова Г.Ю. Перспективные школьные технологии: Учеб-метод. Пособие. М.: Педагогическое общество России, -2000. -224 с.

49. Кузнецов А.А., Дяшкина О.А. Требования к результатам обучения как важнейший компонент образовательных стандартов // Стандарты и мониторинг в образовании. — 1999. -№1. С. 39^12.

50. Кузнецов В.Г. Концепция развития тестовой технологии контроля уровня обученности студентов в системе профессионального образования

51. России // Тесты в образовании: Информационный научно-методический бюллетень с электронным приложением.-1999.-Вып.1 -С.30-45.

52. Лапчик М.П. Методика преподавания информатики: учебное пособие для студентов физико-математических факультетов пединститутов -Свердловск, Свердл.пед.институт, —1987. -152 с.

53. Левин В.П., Зиновьев В.В. Методика конструирования педагогических тестов//Дидакт.-2002.-№2.-С.З 0-3 3.

54. Левин В.П., Зиновьев В.В. Методика конструирования педагогических тестов // Дидакт. -2002.-№3.-С. 15-21.

55. Лернер И.Я. Показатели системы учебно-познавательных заданий // Новые исследования в педагогических науках. Вып.2 (56) / Сост. Журавлев И.К., Шубинский B.C., -М.: Педагогика, -1990. -80 с.

56. Лоскутов Ю.А. Введение в синергетику / Лоскутов Ю.А., Михайлов А.С. // М.: Наука, -1990. -272 с.

57. Майоров А.Н. Теория и практика создания тестов для системы образования: Как выбирать и использовать тесты для целей образования.-М.: Народное образование, -2000—351с.

58. Майоров А.Н. Тесты школьных достижений: конструирование, проведение, использование.- СПб.: Образование и культура, -1997.-304 с.

59. Майорова Н.Л. Тестирование как педагогическое средство измерения успешности обучения: Дис. . к.п.н-М.: РГБ, —2003. -219 с.

60. Маккалох Дж. Логические исчисления идей, относящихся к нервной деятельности / Маккалох Дж., Питтс У. Автоматы.-М.: ИЛ, -1956. -78 с.

61. Матрос Д.Ш., Полев Д.М., Мельникова Н.Н. Управление качеством образования на основе новых информационных технологий иобразовательного мониторинга // Профессиональная культура педагога, Педагогическое общество России, -2001. -128 с.

62. Маслак А.А. Основы планирования и анализа сравнительного эксперимента в педагогике и психологии.-М.:РОСИ,1998. 168 с.

63. Матушанский Г.У. Педагогическое тестирование в России // Педагогика-2002.-№2 -С. 1-5-21.

64. Михайлычев Е.А. Система педагогической диагностики: ключевые понятия и принципы // Педагогическая диагностика-2002 -№1. -46 с.

65. Михалева Т.Г., Хлебников В.А. Проблемы оценки учебных достижений // Вопросы тестирования в образовании.-2001.-№1.-С.62-70.

66. Мохов В.А. Разработка алгоритмов прямого синтеза аппроксимирующих искусственных нейронных сетей: Дис. . к.т.н.-М.: РГБ, -2005.-182 с.

67. Нардюжев В.И., Нардюжев И.В. Модели и алгоритмы информационно-вычислительной системы компьютерного тестирования.-М.: Прометей, -2000. -147 с.

68. Нейман Ю.М., Хлебников В.А. Введение в теорию моделирования и параметризации педагогических тестов.-М.: Прометей, -2000. -168 с.

69. Нейман Ю.М. Шкалирование результатов единого госэкзамена.-М.: ЦТМО, -2002. -30 с.

70. Павлюк А. А. Система интеллектуального анализа данных для прогнозирования успешности учебной деятельности: Дис. . к.т.н.-М.: РГБ, -2005.-116 с.

71. Паволоцкий А.В. Изучение педагогического тестирования в школьном курсе информатики (профильный уровень старшей школы): Дис. . к.п.н — М.: РГБ,-2008.-185 с.

72. Пак Н.И. Методика составления компьютерных тестов / Пак Н.И., Симонова А.Л. // ИНФО. -1998. -№ 4, -34 с.

73. Пак Н.И., Могилев А.В., Хённер Е.К. Практикум по информатике.-М.: Академия, -2004. -848 с.

74. Полуаршинова Е.Г. Тесты как средство контроля качества подготовки учащихся в системе управления образованием региона (на примере общего среднего образования г. Москвы): Автореф. дис. к.т.н.-М., -1998.-20с.

75. Поспелов Д.А. Логико-лингвистические модели в системах управления. М. Энергоиздательство, -1981. -296 с.

76. Потапов И.В. Математические модели и методы оптимизации функциональной надежности искусственных нейронных сетей: Дис. . к.т.н.-М.: РГБ, -2003. -178 с.

77. Поташник М.М. Управление качеством образования-М.: Педагогическое общество России, —2000. -448 с.

78. Проблемы качества образования. Книга 6. Общие проблемы качества образования // Материалы XIV Всероссийского совещания.-М.; Уфа: Исслед. центр проблем качества подготовки специалистов, -2004. -68 с.

79. Психологическая диагностика; Учебное пособие / Под ред. Гуревича К.М., Борисовой Е.М. 2-е изд., испр. М.: Изд-во УРАО, -2000. -304 с.

80. Репьев А.В. Программное обеспечение адаптивной системы дистанционного обучения: Дис. . к.т.н. -М.: РГБ, -2006. -167 с.

81. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. М.: Мир, -1965. -321 с.

82. Розенблатт Ф. Аналитические методы изучения нейронных сетей // Зарубежная радиоэлектроника-1965. -№5, -С. 40-50.

83. Садовничий В.А. Компьютерная система проверки знаний студентов // Высшее образование в России, -1994. -№3, -С.20-26.

84. Самохвалов А.В. Метод проектов в системе профессиональной подготовки специалиста-информатика в условиях вуза: Дис. . к.п.н.-М.: РГБ,-2008.-196 с.

85. Самылкина Н.Н. Разработка тестов образовательных достижений школьников по информатике на основе конкретизации требований к результатам обучения: Дис. . к.п.н. -М.: РГБ, -1999. -196 с.

86. Ю1.Семакин И.Г., Хеннер Е.К., Лапчик М.П. Методика преподавания информатики. 2-е изд.,- М.: Академия, -2006. -624 с.

87. Смирнов В.И. Общая педагогика: Учеб. пособие .-.2-е изд., перераб. и доп. М.: Логос, -2002. -304 с.

88. Соколов В.М. Роль и место тестов достижений в диагностике качества образования // Вестник Нижегородского университета им. Н.И. Лобачевского: Серия «Инновации в образовании».-Вып.l.-Н.Новгрод: Изд-во ННГУ, -2000.-С. 166-168.

89. Соколов Н.Е. Методика компьютерного адаптивного тестового контроля знаний учащихся: Дис. . к.п.н.-М.: РГБ, -2003. -193 с.

90. Соколова С.Н. Проблемы качества образования. Книга 6. Общие проблемы качества образования // Материалы XIV Всероссийскогосовещания -М.; Уфа: Исследовательский центр проблем качества подготовки специалистов, -2004. -68 с.

91. Степанов М.Ф. Искусственные нейронные сети и их использование в интеллектуальных системах / Степанов М.Ф., Брагин Т.М. // Саратов: СГТУ, -2000. -С. 36.

92. Степанов С.С. Тесты // Российская педагогическая энциклопедия.-В 2-х тт-Т.2 / Ред.колл: Давыдов В.В. и др.-М.: Большая Российская энциклопедия, -1999. -С. 430-431.

93. Талызина Н.Ф. Теоретические проблемы программированного обучения.-М.: Изд-во МГУ, -1969. -133 с.

94. Ульянов Д.А. Марковская модель адаптивного тестирования и ее программная реализация в условиях дистанционного обучения: Дис. . к.т.н.-М.: РГБ, -2005. -122 с.

95. Уоссерман Ф. Нейрокомпьютерная техника.-М.: Мир, -1992. -384 с.

96. Управление качеством образования / Под ред. Поташника М.М.-М.: Педагогическое общество России, -2000. -320 с.

97. Усачев А.В. Нейросетевая мультилингвистическая система адаптивного обучения терминологической лексике: Дис. . к.т.н.-М.: РГБ, — 2005,-158 с.

98. Усова Е.С., Зайчикова Т.Н. Управление качеством образования: Проблемы, поиски, пути // Педагогическое обозрение.-1996.-№1.-С.З-8.

99. Филимонов А.В. Структурирование и обучение нейронных сетей с применениями к задачам физической химии и медицины: Дис. . к.т.н.-М.: РГБ, -2003. -89 с.

100. Фридланд А .Я. Информатика и компьютельные технологии. Основные термины. Толковый словарь. 3-е изд., М.: ACT, Астрель, -2003. -272 с.

101. Хлебников В.А. Развитие системы тестирования в России. — Материалы ежегодной Всероссийской конференции.-М: ЦГМО, -2001-2003. -С. 8.

102. Царегородцев В.Г. Извлечение явных знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей // Проблемы нейрокибернетики. Ростов-на-Дону: СКНЦ ВШ, -1999. - С. 245-249.

103. Цатурова И.А. Из истории развития тестов в СССР и за рубежом-Таганрог: Изд-во пед.института, —1969—50с.

104. Челышкова М.Б. Теоретико-методологические и технологические основы адаптивного тестирования в образовании: Дис. . д-ра.п.н -М.: РГБ, -2003. -327 с.

105. Челышкова М. Б. Теория и практика конструирования педагогических тестов. -М.: Логос, -2002. -410 с.

106. Челышкова М.Б. Адаптивное тестирование в образовании (теория, методология, технология).-М.: Исследовательский Центр проблем качества подготовки специалистов, -2001. -165 с.

107. Черепанов B.C. Экспертные оценки в педагогических исследованиях. -М.: Педагогика, -1989. -138 с.

108. Шевченко П.А., Фомин Д.В., Черников В.М., Виксне П.Е. Архитектура нейропроцессора NeuroMatrix NM6403: Сб. докл. V Всероссийской конференции «Нейрокомпьютеры и их применение», М.: Радио и связь, -1999, -94 с.

109. Шишковский В.И. и др. Формирование внутривузовской системы управления качеством образования: Учебн.пос. Томск, —2001, -40 с.

110. Шмагринская Н.А. Тестирование в системе общего среднего образования: Дис. . к.п.н.-М.: РГБ, -2008. -207 с.

111. Шмелев А.Г., Бельцер А.И., Ларионова А.Г., Серебряков А.Г. Перспективы компьютерного тестирования: валидность и надежность «Телетестинга». // Тез. докл. Всерос. Конф. «Развитие системы тестирования в России». Ч.З. -М.: МГПУ, -1999. -С. 68-69.

112. Шухардина В.А. Адаптивные тесты как средство индивидуализации педагогического контроля качества знаний учащихся: Дис. . к.п.н.-М.: РГБ, -2003,-177 с.

113. Энгель Е.А. Модифицированная нейросеть для обработки информации с селекцией существенных связей: Дис. к.т.н.-М.: РГБ, -2005. -144 с.

114. Ямбург Е.А. Школа для всех. М.: Новая школа, -1996. -346 с.

115. Ackley D.H. A learning algorithm for Bolzmann machines / Hinton G.E., Sejnowski T.J. // Cognit. Sci., -1985.- P. 147-169.

116. Amari S. Field theory of self-organizing neural networks // IEEE Trans.Syst., Man, Cybem. -1983. -641 p.

117. Anderson J.A. Neurocomputing: foundation of research / Anderson J.A., Rosenfeld E. // MIT Press, Cambridge, Mass., -1988. -128 p.

118. Anil K. Jain, Jianchang Mao, K.M. Mohiuddin oArtificial Neural Networks: A Tutorialn, Computer, -1996. Vol.29, -No.3, March. -P. 31-44.

119. Artificial neural networks: concepts and theory // IEEE Computer Society Press,-1992.-82 p.

120. Baker, F.B. The Basics of Item Response Theory. 2 ed. Hieneman, Portsmouth, New Hempshire, -2001. -P. 7.

121. Battiti R. First and second order methods for learning: Between steepest descent and Newton's method. // Neural Computation. -1992. Vol.4, -№2. -P.141-166.

122. Binet A., Simon Т.Н. The development of intelligence in young children.-Vineland, NJ:The Training School, -1936. -P.45-79.

123. Birnbaum A. Some Latent Trait Models and Their Use in Statistical Theories of Mental Test Scores. Reading Mass.: Addison-Wesly, -1968. -568 p.

124. Bloom B.S. The relationship between educational objectives and examinations designed to measure achievement in general educational courses at the college level. A diss. Chicago, -1946. -124 p.

125. Bunderson C.V., Inouye D.K., Olsen J.B. The four generations of computerized educational measurement / In R.L. Linn (Ed.) Educational measurement (3rd ed.).N.Y.:Macmillan, -1989. -P. 367-407.

126. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine / Carpenter G.A., Grossberg S. // Comput. vision graphics image process. 1986. P. 54-115.

127. Charalambous С. Conjugate gradient algorithm for efficient training of artificial neural networks // IEEE Proceedings. -1992. Vol. 139, -№3-P.301-310.

128. Dayhoff J.E. Neural network architectures: an introduction. New York (NY): Van Nostrand Reinhold, -1990. -259 p.

129. Gronlund N.E., Linn R.L. Measurement and Evaluation in Teaching. 6th edition.-N.Y.-L.: Macmillan, -1990. -525 p.

130. Hagan M.T., Menhaj M. Training feedforward networks with the Marquardt algorithm // IEEE Transactions on Neural Networks. -1994. Vol. 5, -№6, -P.989-993.

131. Hambleton R.K., Rodgers H.J. Developing an Item Bias Review Form // University of Massachusetts at Amherts. 1994, -P. 19.

132. Haykin S., Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, -1994, -p. 20.

133. Hertz J., A. Krogh, and R.G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., -1991, -P. 30.

134. Holland J.H. Adaptation in natural and artificial systems // The university of Michigan Press, -1975. -92 p.

135. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities // Proc. Natl. Acad. Sci., -1984.-P. 147-169.

136. Hopfield J.J. Unlearning has a stabilizing effect in collective memories / Hopfield J.J., Feinstein D.I., Palmer F.G. //Nature. -1983. P. 141-152.

137. Hopfield J.J. Neural computation of decision in optimization problems / Hopfield J.J., Tank D.W. // Biol. Cybernet. -1985. -42 p.

138. Kingsbury G.G. and A.R. Zara.Procedures for selecting items for computerized adaptive tests. Applied Measurement in Education 2. -1989. -P.359-375.

139. Knowledge discovery through data mining: what is knowledge discovery? // Tandem computers inc., -1996. P. 54.

140. Kohonen, Т., Self-organizing and Associative Memory. Berlin: Springer Verlag, -1984.-358 p.

141. Kohonen Т., Self-organizing Maps. Heidelberg: Springer Verlag, -1995. -289 p.

142. Lord, F.M. Applications of Item Response Theory to Practical Testing Problems. New Jersey: Lawrence Erlbaum Associates, Publishers. -1980. -356 p.

143. McCulloch W.S. A logical calculus of ideas immanent in nervous activity / McCulloch W.S., Pitts W. //Bull. Mathematical Biophysics, -1943.Vol. 5, -P. 115-133.

144. Miller W.T., Sutton R.S., Werbos P.J. Neural networks for control. -Cambridge: MIT Press (MA),-1990. -544 p.

145. Neutral computing // London: IBE technical services, -1991. -P. 76.

146. Rasch G. Parababilistic model for some intelligence and attainment tests. Chicago: Univ. of Chicago Press, -1980. -199 p.

147. Ratanapan K., Daglu, C.H., Implementation of ART 1 Architecture on CNAPS Neurocomputer. Application and Science of Artificial Neural Networks. -1995, SPIE, vol. 2492, -P. 103-110.

148. Rosenblatt F. Principles of neurodynamics // Spartan., Washington, D.C., -1962.-49 p.

149. Rumelhart D.E. Parallel distributed processing: Explorations in the micro structure of cognition. Cambridge (MA): MIT Press, -1986 .- Vol. 1. -Foundations. —532 p.

150. Spray J.A.,Reckase M.D. The Selection of test items for decision making with a computer adaptive test / Paper present at the national meeting of the National Council on Measurement in Education. New Orleans, -1994. -P. 18.

151. Wainer, H. Computerized Adaptive Testing: A Primer. New Jersey: Lawrence Erlbaum Associates, Publishers. -1990. -58 p.

152. Weiss D.J. New Horizons in Testing: Latent Trait Test Theory and Computerized Adaptive Testing. New York: Academic Press. -1983. -87 p.

153. White. D.A., Sofge D.A. Handbook of intelligent control. -New York: Van Nostrand Reinhold, -1992. -559 p.