Karmanova E. V. Teknik för att bedöma nivån på utvecklingen av kompetenser hos studenter som studerar i systemet distansutbildning universitet // Koncept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 1
vyyyyyyyyyyyifART15417UDC 378.146
Karmanova Ekaterina Vladimirovna,
kandidat pedagogiska vetenskaper, docent, Institutionen för företagsinformatik och informationsteknik FSBEI HPE ©Magnitogorsk State Technical University uppkallad efter. G. I. Nosova, Magnitogorsk [e-postskyddad]
Teknik för att bedöma nivån på kompetensutvecklingen hos studenter som studerar i universitetets distansutbildningssystem
Sammanfattning Artikeln diskuterar problemet med att organisera bedömning av nivån på utvecklingen av kompetenser hos studenter som studerar med hjälp av distansundervisning utbildningsteknik. Författaren underbygger en matematisk modell för att bedöma nivån på utvecklingen av elevernas kompetenser, som tar hänsyn till strukturen av befintliga elektroniska kurser i distansutbildningssystemet vid Magnitogorsk State Technical University. Teknikens huvudsakliga bestämmelser för att bedöma graden av utveckling av elevers kompetenser avslöjas Nyckelord: kompetensbaserat förhållningssätt, kompetensbedömning, matematisk modell, teknik, distansundervisningssystem Avsnitt: (01) pedagogik; pedagogiks och utbildningens historia; teori och metoder för undervisning och utbildning (efter ämnesområden).
Med införandet av ett kompetensbaserat förhållningssätt till systemet rysk utbildning Förskoleinstitutioner har ställts inför ett antal uppgifter som inte kan lösas med traditionella metoder; en av dessa uppgifter inkluderar behovet av att organisera en bedömning av utvecklingsnivån för elevernas kompetens. Idag bestämmer varje universitet självständigt vad som ska vara metodiken för bildandet och användningen av bedömningsmedel för att bedöma graden av utveckling av studenters kompetens. Detta problem sträcker sig också till organisationen av inlärningsprocessen med hjälp av distansundervisningsteknik, eftersom denna form av lärande är legitimerad på nivån av Ryska federationens utbildningslag och därför måste uppfylla andra krav i rysk lagstiftning på området för utbildning. En analys av litteraturen visade att universiteten inte har en allmänt accepterad teknik som gör det möjligt för dem att spåra processen för att bilda en separat kompetens; dessutom är befintliga metoder för att bedöma kompetenser ganska besvärliga och tar ofta inte hänsyn till särdragen i bildning av själva kompetenserna inom ramen för högskolans distansutbildningssystem. Sökandet efter möjliga sätt att lösa det identifierade problemet avgjorde valet av målet för vår forskning: behovet av att utveckla en teknik för att bedöma nivån på utvecklingen av kompetenser hos studenter som studerar med hjälp av distansutbildningssystemet (nedan kallat DLS).
När vi utvecklade teknik för att bedöma kompetenser förlitade vi oss på följande bestämmelser: eftersom discipliner är huvudformen utbildningsverksamhet(inte ett enda universitet införde förändringar), och det är nivån på studenternas behärskning akademiska discipliner bedöms av lärare är det uppenbart att genom att bedöma utbildningsnivån i discipliner är det möjligt att i slutändan korrekt fastställa nivån på kompetensbildningen, dessutom är det i det här fallet bekvämare att anpassa tidigare ackumulerad erfarenhet och använda anpassad diagnostik tekniker Karmanova E. V. Teknik för att bedöma graden av bildning av studenters kompetens studenter som studerar i universitetets distansutbildningssystem // Koncept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 2
inom ramen för ett kompetensbaserat synsätt. Inom ramen för vår forskning var uppgiften också att utveckla en teknik som skulle göra det möjligt, baserat på den befintliga strukturen för elektroniska kurser, att "smärtfritt" införa en bedömning av utvecklingsnivån för studenters kompetens för ett universitets LMS. För en tydlig förståelse av tekniken som föreslås nedan kommer vi att beskriva den befintliga strukturen för elektroniska kurser i DMS i Magnitogorsk State tekniskt universitet. I ett LMS är en elektronisk kurs en uppsättning moduler som var och en innehåller teoretiskt material, praktisk uppgift och test för självkontroll. Den elektroniska kursen avslutas med nödvändighet med ett slutprov för hela disciplinen som studeras (Fig. 1).
Ris. 1. Inslag i en elektronisk kurs i LMS
Låt oss beskriva bedömningsmetoden. När vi utvecklade en matematisk modell för att bedöma kompetensutvecklingsnivåerna använde vi poängen som eleverna fick baserat på resultaten av att fylla i diagnostiskt material för en separat kompetens och resultatet av en kontrollhändelse (test eller examen). Låt oss behöva för att ta reda på kompetensnivån (). Denna kompetens bildas genom discipliner =(1,2,...,), där disciplinen direkt påverkar kompetensbildningen. En disciplins inflytande på kompetensbildningen kan övervägas på nivån av antalet moduler (sektioner) som utgör en given kompetens och följaktligen kontrollera nivån på dess utveckling. Som regel bestäms antalet sådana avsnitt för en elektronisk kurs av lärare (författare till disciplinen), som i sin tur styrs av disciplinens arbetsintensitet. I enlighet med disciplinen skapas en elektronisk kurs i LMS, som utifrån arbetsprogram Disciplinen innehåller moduler och avslutas nödvändigtvis med ett slutprov. Eftersom varje disciplinmodul i den elektroniska kursen innehåller en praktisk uppgift och ett test, kommer dessa komponenter att vara diagnostiska material för att bedöma kompetens inom en given disciplin: (1≤≤2+1) (se fig. 2). Låt oss förklara denna post: åtminstone i en separat elektronisk kurs måste den valda kompetensen bildas av minst en modul i kursen och därför testas av minst ett diagnostiskt material (antingen ett test eller en praktisk uppgift) , kan det maximala antalet diagnostiska material vara alla praktiska uppgifter och tester för varje modul plus ett sluttest. Det slutliga testet kanske inte nödvändigtvis testar denna kompetens och ingår därför inte nödvändigtvis i blocket med diagnostiskt material för denna kompetens. Inverkan av resultaten från tester och praktiska uppgifter är olika, så vi kommer att ange vår vikt separat för var och en av dem: Bestämning av vikter för testmaterial och Karmanova E.V. Teknik för bedömning av kompetensbildningsnivån för studenter som studerar i universitetets distansutbildningssystem // Koncept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 3
Fig. 2. Exempel på en uppsättning diagnosmaterial för en specifik kompetens
Resultatet påverkas också av slutpoängen som erhålls som ett resultat av den slutliga kontrollen (test eller tentamen):. Således kommer den matematiska modellen för att bedöma nivån på kompetensbildningen att presenteras i följande form: = ∑ (∑∙ = 1+), = 1 där n är antalet discipliner som bildar k kompetens; t är antalet diagnostiskt material för i-disciplinen som testar k kompetens; vikta ett separat diagnosmaterial (test eller praktisk uppgift) för kontrollresultatet i den i:te disciplinen; en poäng som studenten erhållit baserat på resultaten av godkänd :e DM i ith disciplin; ett poäng som erhållits i ett prov eller prov i den i:te disciplinen (detta kan också inkludera ett betyg i kursarbete, pedagogisk/industriell praktik, slutlig certifiering. Det erhållna resultatet kan jämföras med det maximala antalet poäng som en student kan få baserat på resultaten av utbildningen och presenteras som en procentandel (70 % arbete under terminen i i -:e disciplinen och 30 % resultat av tentamensprovet/provet i disciplinen i). Låt till exempel den i:te disciplinen ha ∑∙=550=1 poäng, detta är 70 % av disciplinens totala poäng, då maximalt värde=236 poäng. Som regel, bedömningen av Karmanova E.V. Technology för att bedöma nivån på utvecklingen av kompetenser hos studenter som studerar i universitetets distansutbildningssystem // Concept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 4
på tentamen ges på en femgradig skala, därför måste du, för att omvandla den till kurspoäng, antingen i procent ange reglerna för omvandling av betyg som erhållits på tentamen till kurspoäng (till exempel ©2ª 0%; ©3ª 55%; ©4ª 80%; ©5ª 100%), eller så utvärderar läraren även tentamensresultaten enligt kursskalan, vilket är mer rätt beslut, ökar dock komplexiteten i bedömningen. Tillvägagångssättet för beräkning av kompetensutvecklingsnivån ger slutresultatet efter att ha studerat alla de discipliner som utgör kompetensen. Men i processen att utveckla kompetens är det mycket viktigt att övervaka och förutsäga dess möjliga bedömning i alla skeden av utbildningen med efterföljande korrigering av processen för att utveckla kompetens. Dessutom, enligt kraven från den federala regeringen utbildningsstandarder bedömning av kvaliteten på utbildningen av studenter och utexaminerade bör omfatta aktuell, mellanliggande och slutlig certifiering, vilket innebär att nivån på kompetensutvecklingen bör bedömas. Därför föreslås ett förfarande för att beräkna egenskaperna hos kompetensnivån i processen för dess bildande. Disciplinens bidrag till kompetensen: =∑∙=1+ Följaktligen beräknas det maximala och lägsta möjliga bidraget från disciplinen till kompetensen med hjälp av formlerna: brmin är det lägsta möjliga poängen för att bedöma elevernas kunskaper och färdigheter Därefter beräknas den maximala och lägsta möjliga bedömningen av kompetens vid den aktuella tidpunkten med hjälp av formlerna:=∑=1,
=∑=1,
där k är antalet discipliner som utgör kompetens och studeras vid det här ögonblicket tid. Denna bedömning kommer att beräknas i poäng som lärare tilldelat inom de discipliner som utgör denna kompetens. Den aktuella bedömningen av kompetens beräknas enligt formel (7) och mäts i poäng av det poängbetygssystem som antagits vid universitetet för bedömning av discipliner: = ∑. = 1 Det nuvarande bidraget från alla discipliner som studerats vid en given tidpunkt till bildandet av kompetens hittas med hjälp av uttrycket:
Kompetenser kan utvecklas på olika nivåer, i regel finns det tre nivåer för bildning av en separat kompetens: tröskel (initial), grundläggande och avancerad. För att omvandla studenters kvantitativa bedömningar till kompetensnivåer räcker det att bestämma intervallen för varje nivå. Som regel E. V. Karmanova, Teknik för att bedöma nivån på kompetensbildningen för studenter som studerar i universitetets distansutbildningssystem // Koncept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 5
I bestämmelserna i universitetets poängbetygssystem presenteras sådana intervall i procent. All bedömningsteknik måste i första hand svara på följande frågor: 1. Vad kommer att bedömas? 2.Vem eller vad utvärderar? 3.När ska en bedömning göras 4.Var och hur ska bedömningsresultaten registreras? 5. Enligt vilka kriterier ska man utvärdera (vilken är utvärderingsmetoden) Figur 3 visar huvudbestämmelserna i den föreslagna tekniken för att bedöma nivån på utvecklingen av kompetenser hos studenter som studerar i universitetets distansutbildningssystem.
Ris. 3. Teknik för att bedöma graden av utveckling av studenters kompetens i universitetets LMS
Den föreslagna tekniken för att bedöma kompetensutvecklingsnivån hos studenter som studerar i universitetets utbildnings- och utbildningssystem kan också användas för heltidsstudenter. Det är dock värt att notera att förfarandet för bedömning av studentkompetenser måste stödjas av det automatiserade kontrollsystem som i dag finns på nästan alla lärosäten. Automatisering i det här fallet är nödvändigt eftersom det är nödvändigt att spåra ett ganska stort antal kompetenser (i genomsnitt 40) som behöver utvecklas för varje examen; dessutom är som regel batteriet av diagnostiskt material för att bedöma kompetenser också stort i storlek och att bearbeta den manuellt är arbetskrävande.
Länkar till källor 1. Romanova E.P., Romanova M.V. Om konceptet ©open Distansutbildningª in moderna förhållanden utbildning av studenter från klassiska universitet // VIII Internationell konferens ©Strategy of excellence in industry and masteryª: Material: 3 volymer. T.II / administratörer: T.S. Khokhlova, V.O. Khokhlov, Yu.A. Stupak. Dnipropetrovsk; Varna, 2012. P. 434436. Karmanova E. V. Teknik för bedömning av kompetensbildningsnivån för studenter som studerar i universitetets distansutbildningssystem // Koncept. 22015.2nr 12(december).2ART15417. 20.3 p.l. 2URL: http://ekoncept.ru/2015/15417.htm.2ISSN 2304120X. 6
2. Eliseev I.N. Matematiska modeller och mjukvarupaket för automatiserad bedömning av lärandemål med hjälp av latenta variabler: dis. ... dra tech. Vetenskaper: 05.13.18. Novocherkassk: SRSTU, 2013. 371 s. 3. Zakirova E.I. Informationsstöd för beslutsfattande vid urval av studenter till ett universitetsmasterprogram utifrån ett kompetensbaserat synsätt: dis. ...cand. tech. Vetenskaper: 05.13.10.PNRPU: Tchaikovsky, 2014. 198 s.4.Permyakov O.E., Menkova S.V. Diagnostik av bildandet av professionella kompetenser. M.: FIRO, 2010. 114 sid. 5.Pirskaya A.S. Metod för att bedöma akademikerkompetenser // Scientific and Technical Bulletin of St. Petersburg statliga universitetet informationsteknik, mekanik och optik. 2012. nr 1(77). MED. 124132.6.Sibikina I.V. Modeller och algoritmer för bildande och bedömning av kompetenser hos en universitetsutbildad: avhandling... kandidat för tekniska vetenskaper. Vetenskaper: 05.13.10 Astrakhan, 2012. 200 sid.
Ekaterina Karmanova, kandidat för pedagogiska vetenskaper, docent vid ordföranden för affärsinformatik och informationsteknologi, Nosovs Magnitogorsk State Technical University, [e-postskyddad] för bedömning av kompetensnivån för studenter som är inskrivna i universitetsdistansutbildning Sammanfattning. Uppsatsen tar upp problemet med att bedöma nivån på bildningen av studenternas organisationskompetenser med hjälp av teknik för distansutbildning. Författaren upprättar en tematisk modell för att utvärdera nivån på kompetensbildning, med hänsyn till strukturen för de befintliga e-utbildningskurserna i distansutbildningssystem vid Nosovs Magnitogorsk State Technical University. De grundläggande bestämmelserna tekniker som bedömer nivån på elevers bildningskompetens avslöjas. Nyckelord: kompetensansats, bedömning av kompetens, matematisk modell, teknik, distansundervisningssystem. Referenser 1. Romanova, E. P. & Romanova, M. V. (2012). “O ponjatii ‘otkrytoe distancionnoe obrazovanie’v sovremennyh uslovijah podgotovki studentsov klassicheskih universitetov”, VIII Mizhnarodna konferencija “Strategija jakosti u promislovosti i osviti”: Materiali: u 3 t.T. II / uporjadniki: T. S. Hohlova, V. O. Hohlov, Ju. A. Stupak, Dnipropetrovs "k, Varna, s. 434436 (på ukrainska). 2. Eliseev, I. N. (2013). Matematicheskie modeli i komplexy programm dlja avtomatizirovannoj ocenki rezul" tatov obuchenija s. ispol "zovaniem latentnyh" . dra tehn. nauk: 05.13.18, JuRGTU, Novocherkassk, 371 s. (på ryska). 3. Zakirova, Je. I. (2014). ... kand. tehn. nauk: 05.13.10, Chajkovskij, PNIPU , 198 s. (på ryska). 4. Permjakov, O. E. & Men "kova, S. V. (2010). Diagnostika formirovanija professional"nyh kompetencij, FIRO, Moscow, 114s. (på ryska). 5. Pirskaja, A. S. (2012). "Metodika ocenivanija kompetencij vypusknika", Nauchnotehnicheskij vestnik SanktPeterburgacvenny gosuda, me información №1(77 ), s. 124132 (på ryska). 6. Sibikina, I. V. (2012). (på ryska).
Gorev P. M., kandidat för pedagogiska vetenskaper, chefredaktör för tidningen ©Conceptª
Bedömning av elevers allmänna kompetenser
metodolog vid Cheboksary Electromechanical College
En av de centrala frågorna som uppstår i samband med övergången till ett kompetensbaserat arbetssätt i utbildningen är bedömningsverktyget. De är ganska lämpliga för att bestämma utvecklingsnivån för elevernas kompetenser. projektarbete, affärsspel, individuell analys av specifika situationer (när eleven ombeds välja en viss strategi och taktik för handling i den föreslagna situationen), samt expertobservationer.
Den största svårigheten med att bedöma nivån på kompetensutvecklingen är att upprätthålla objektivitetsprincipen. För att följa denna princip och komma bort från den mänskliga faktorn, är det nödvändigt att placera så kallade "beacons" som motsvarar varje specifik kompetens. Och under bedömningsprocessen jämförs den befintliga nivån för varje elev med dessa "beacons". Men det bör noteras att, återigen, dessa "fyrar" kan ha en viss touch av subjektivitet, och därför kan de bara användas som en guide.
Det är lämpligt att använda sig av en diagnostisk intervju, som ska bidra till att klargöra oklara punkter i bedömningen. Eleverna kan uppmanas att göra en självutvärdering av kompetensutvecklingsnivån. Låt oss överväga detta med exemplet med den allmänna kompetensen OK 6 "Arbeta i ett team och ett team, säkerställa dess sammanhållning, kommunicera effektivt med kollegor, ledning, konsumenter" (FSES SVE), som relaterar till området social interaktion.
Bland de viktigaste indikatorerna som vi kan bedöma utvecklingsnivån för denna kompetens bland studenter kan vi lyfta fram följande: etablerar och upprätthåller en bra relation med studiekamrater och lärare; delar med sig av sin kunskap och erfarenhet för att hjälpa andra; lyssnar på åsikter från medstudenter och lärare och erkänner deras kunskaper och färdigheter; aktivt bidrar till andras arbete. För varje indikator formulerar vi tre påståenden: "Jag gör det här sällan eller aldrig", "Jag gör det här ganska ofta", "Jag gör alltid det här i alla situationer". Varje påstående motsvarar en viss nivå av bildning av egenskapen (låg nivå bedöms som 1 poäng, genomsnittlig nivå– 2 poäng, hög nivå- 3 poäng). Därför, för att självutvärdera kompetens, uppmanar vi eleverna att välja ett alternativ från tre påståenden för varje huvudindikator på kompetens, och sedan, baserat på de mottagna svaren, hittar vi medelvärdet, vilket kommer att vara en självbedömning av nivån av kompetensutveckling.
Data som erhålls genom självbedömning kommer att bidra till att ge en helhetsbild för vissa elever i de fall där det inte finns tillräckligt med material för att fastställa kompetensnivån.
Det befintliga systemet för att bedöma elevers kunskaper ger en tydlig bild av deras prestationer, men tillåter inte att bedöma deras personliga egenskaper. Det är curatorerna för studentgrupper, som direkt kommunicerar med studenter och känner var och en av dem individuellt, som kan utföra sådan diagnostik. Samtidigt kan curatorer avgöra elevers motivation för att lära, deras ledarskapsförmåga, relationer inom gruppen. Studentutvärdering baseras dock ofta på akademiska prestationer. Även om handledarnas rapporter om utfört arbete innehåller information om varje student individuellt, alltså denna informationen förmedlas inte alltid till lärare i början av utbildningen. Lärare tvingas själva bestämma sin kommunikationsstil med eleverna (utan förkunskaper). I detta avseende anser jag att det är tillrådligt att föra de erhållna uppgifterna om nivån på kompetensutvecklingen bland elever till ämneslärare. Detta kommer att göra det möjligt att avgöra hur effektiva undervisningsmetoderna är och om det är värt att göra vissa anpassningar av undervisningstekniken.
När man bedömer studenters kompetens är det meningsfullt att rangordna kompetenserna efter graden av deras betydelse för arbetsgivare - arbetsmarknadens parter, som det är tillrådligt att involvera i bedömningen (till exempel under studenters praktiska utbildning), eftersom processen för att bedöma kompetens kräver deltagande av inte bara lärare utan även tredjepartsexperter (helst personalchefen för det anställande företaget). Först då kan de erhållna resultaten bli verkligt objektiva.
Det bör också noteras att vid bedömning av kompetens krävs återkoppling, det vill säga ge studenten detaljerad återkoppling på det arbete han har utfört, anger styrkor och svagheter, samt specifika rekommendationer. Rätt organiserad återkoppling kan bli en ytterligare motivationsfaktor för elevens vidare lärande och utveckling inom ramen för sin valda specialitet.
Att bedöma graden av utveckling av en elevs kompetenser ger ett svar på frågan: varför manifesterar eleven sig på detta sätt och visar sådana resultat? Baserat på de erhållna bedömningarna kan vi bestämma storleken på gapet mellan den faktiska kompetensutvecklingsnivån och den förväntade, vilket gör att vi kan se den steg-för-steg utvecklingsplanen för varje elev, dynamiken i denna utveckling, och även bedöma vilka frågor (kompetenser) som bör arbetas med i framtiden.
Lista över källor
1. , Jerry van Zantvoort. Modernisering av yrkesutbildningen: modern scen. European Education Foundation. – M., 2003.
2. Borisov - aktivitetsmetod och modernisering av innehållet i allmän utbildning. // Standarder och övervakning inom utbildning. – 2003. – Nr 1, s.58-61.
3. Kompetens och kompetens: hur många har ryska skolbarn? - http://vio. fio. ru/vio_l 7/resource/Print/art_l_6.htm
Första nivån : Resultaten av elevernas lärande tyder på att de har tillägnat sig vissa grundläggande kunskaper om grundläggande frågeställningar inom disciplinen. De misstag och felaktigheter som gjorts visar att eleverna inte behärskar det nödvändiga kunskapssystemet inom disciplinen.
Andra nivån : Nivå uppnådd Bedömning av lärandemål visar att eleverna har det nödvändiga kunskapssystemet och behärskar vissa färdigheter inom disciplinen. Eleverna kan förstå och tolka den information de behärskar, vilket är grunden för framgångsrik bildning av färdigheter och förmågor för att lösa praktikinriktade problem.
Tredje nivån : Eleverna visade resultat på nivån av medveten behärskning av utbildningsmaterial och pedagogiska förmågor, färdigheter och verksamhetsmetoder inom disciplinen. Eleverna kan analysera, jämföra och motivera val av metoder för att lösa uppgifter i praktikinriktade situationer.
Fjärde nivån : Den uppnådda nivån av bedömning av studenternas läranderesultat i disciplinen är grunden för bildandet av allmänna kulturella och professionella kompetenser som uppfyller kraven i Federal State Educational Standard. Studenter kan använda information från olika källor för att framgångsrikt forska och hitta lösningar i icke-standardiserade praktikinriktade situationer.
Betygsskala
|
Egenskaper för nivåer av kompetensutveckling |
||
|
Nivåer |
Manifestationer |
|
|
Minimum |
Eleven har det nödvändiga kunskapssystemet och har vissa färdigheter |
Studenten kan förstå och tolka den inhämtade informationen, som ligger till grund för framgångsrik bildning av färdigheter och förmågor för att lösa praktikinriktade problem |
|
Bas |
Eleven visar resultat på nivån av medveten skicklighet utbildningsmaterial och pedagogiska förmågor, färdigheter och verksamhetsmetoder |
Studenten kan analysera, jämföra och motivera val av metoder för att lösa uppgifter i praktikinriktade situationer |
|
Avancerad |
Den uppnådda nivån är grunden för bildandet av allmänna kulturella och professionella kompetenser som uppfyller kraven i Federal State Education Standard. |
Studenten kan använda information från olika källor för att framgångsrikt forska och hitta lösningar i icke-standardiserade praktikinriktade situationer |
Nivå på utveckling av kunskaper, färdigheter och förmågor
Nivån på utvecklingen av kunskaper, färdigheter och förmågor inom disciplinen bedöms i form av ett poängbetyg:
"Bra" förtjänar en student som har visat en omfattande, systematisk och djup kunskap om utbildningsprogrammaterialet, förmåga att fritt utföra uppgifter som programmet tillhandahåller, som behärskar det grundläggande och är förtrogen med ytterligare litteratur som rekommenderas av programmet. Som regel ges ett "utmärkt" betyg till studenter som behärskar sammankopplingen av disciplinens grundläggande begrepp i deras betydelse för det förvärvade yrket, som har visat Kreativa färdigheter i förståelse, presentation och användning av utbildningsmaterial.
"Bra" förtjänar en student som har visat fullständig kunskap om utbildningsprogrammaterialet, framgångsrikt genomför de uppgifter som tillhandahålls i programmet och behärskar den grundläggande litteratur som rekommenderas i programmet. Som regel ges ett "bra" betyg till studenter som har visat systematisk kunskap inom disciplinen och som självständigt kan fylla på och uppdatera dem under vidare utbildningsarbete och yrkesverksamhet.
"Tillfredsställande" förtjänar en studerande som har visat kunskap om det grundläggande utbildningsmaterialet i den utsträckning som behövs för fortsatta studier och framtida arbete inom specialiteten, klarar av de uppgifter som programmet tillhandahåller samt är förtrogen med den av programmet rekommenderade grundlitteraturen. Som regel ges ett ”tillfredsställande” betyg till elever som gjort fel i sina svar på tentamen och vid utförandet av tentamensuppgifter, men som har nödvändiga kunskaper för att rätta dem under ledning av lärare.
"Otillfredsställande" tilldelas en elev som har upptäckt brister i kunskaperna i det grundläggande utbildningsmaterialet, som har gjort grundläggande fel vid genomförandet av de uppgifter som programmet föreskriver. Som regel ges ett ”otillfredsställande” betyg till studenter som inte kan fortsätta sina studier eller påbörja yrkesverksamhet efter examen utan ytterligare klasser i det aktuella ämnet.
Betyg "godkänd" tilldelas en student som grundligt behärskar det tillhandahållna programmaterialet; besvarade alla frågor korrekt och med anledning, med exempel; har visat djupa, systematiserade kunskaper, behärskar resonemangstekniker och jämför material från olika källor: kopplar ihop teori med praktik, andra ämnen i kursen och andra studerade ämnen; slutfört den praktiska uppgiften utan fel.
En förutsättning för betyget som ges är korrekt tal i högt eller måttligt tempo. Ytterligare skick att erhålla betyget ”godkänt” kan leda till god framgång i att klara självständiga och provarbete, systematiskt aktivt arbete i seminarieklasser.
Betyg "ej godkänd" Tilldelas en elev som misslyckades med 50 % av frågorna och uppgifterna på biljetten och gjorde betydande misstag när han svarade på andra frågor. Kan inte svara på ytterligare frågor föreslagna av läraren. Studenten har inte en helhetsbild av relationer, komponenter och stadier av kulturell utveckling. Kvaliteten på muntliga och skrift, som när du ger ett positivt betyg.
Bulletin of KhNADU, vol. 68, 2015
UDC 519.237.8
PROGNA STUDENTERNAS PRESTATION BASERADE PÅ KLUSTERANALYSMETODER
V.A. Shevchenko, docent, kandidat för tekniska vetenskaper,
Kharkov National Automobile and Highway University
Anteckning. En metodik för att förutsäga elevprestationer baserad på klusteranalysmetoder föreslås. Resultaten av experimentet presenteras, vilket bekräftar effektiviteten av den utvecklade metoden för att förutsäga akademisk prestation.
Nyckelord: prognos, akademisk prestation, klusteranalys, källdatamatris, distansmatris.
ATT FÖRUTSÄGA ELEVERNAS FRAMGÅNG BASERADE PÅ METODER
KLUSTERANALYS
I. Shevchenko, docent, kandidat för tekniska vetenskaper,
Kharkiv National Automobile and Highway University
Abstrakt. En metodik för att förutsäga elevers framgång baserat på klusteranalysmetoder har föreslagits. Resultaten av experimentet presenterades, som bekräftar effektiviteten av den utvecklade metoden för att förutsäga framgång.
Nyckelord: prognoser, framgång, klusteranalys, utdatamatris, utmatris.
PROGNOSTIK AV STUDENTER FRAMSTEG PÅ GRUND AV KLUSTER
ANALYSMETODER
V. Shevchenko, Asso^ Prof., Ph. D. (eng.),
Kharkiv National Automobile and Highway University
Abstrakt. Metoden för prognostisering av elevers framsteg på basis av metoder för klusteranalys har erbjudits. Resultaten av experimentet som bekräftar effektiviteten av den utvecklade prognosmetoden har givits.
Nyckelord: prognostisering, framsteg, klusteranalys, matris av initiala data, matris av avstånd.
Introduktion
För närvarande finns det hundratals prognosmetoder. Typer matematiska metoder prognos: korrelationsanalys, regressionsanalys, klusteranalys, faktoranalys osv.
Analys av publikationer
Kärnan i prognostisering inom utbildningsområdet övervägdes av B.S. Gershun-
skiy, V.I. Zagvyazinsky, A.F. Jurymedlem, R.V. Mayer et al.
Under analysen av publikationer drogs slutsatsen att klusteranalysmetoder är mest lämpade för att tillförlitligt förutsäga elevprestationer, eftersom klusteranalys tillåter indelning av objekt inte enligt en parameter, utan enligt en hel uppsättning egenskaper. Dessutom tillåter klusteranalys en att överväga en mängd initiala data av nästan godtycklig natur.
Bulletin of KhNADU, vol. 68, 2015
Mål- och problemformulering
Baserat på resultaten av analysen inom området pedagogisk prognos sattes följande mål:
1. Utveckla en procedur för att förutsäga elevprestationer baserat på klusteranalysmetoder.
2. För att testa effektiviteten av den utvecklade prognosproceduren, utför ett experiment för att jämföra de faktiska och förutspådda elevernas prestationer.
Att välja en klusteranalysmetod för att förutsäga elevprestationer
För att lösa problemet - att utveckla en procedur för att förutsäga elevernas prestationer från en mängd olika klustringsalgoritmer, den mest lämpliga, enligt vår mening, är McKean k-means-algoritmen, där användaren själv måste specificera det erforderliga antalet ändliga kluster, betecknad k. Klassificeringsprincipen är som följer:
k observationer väljs ut eller tilldelas att vara de primära centra i klustren;
De återstående observationerna tilldelas de närmast angivna klustercentrumen;
De nuvarande koordinaterna för de primära klustercentrumen ersätts med klustermedelvärden;
De två föregående stegen upprepas tills ändringar i koordinaterna för klustercentra blir minimala.
McKeans algoritm förutsätter dock att klustercentra väljs från den befintliga datamängden för klustring. För att lösa problemet är detta tillvägagångssätt inte acceptabelt, eftersom det kan finnas grupper av studenter med olika akademiska prestationer; till exempel grupper där det inte finns några fattiga elever, eller tvärtom inga utmärkta elever, eller många tre elever. Om du väljer klustercentra från varje studentgrupps data, kommer för varje grupp elevernas fördelning i kluster beroende på deras akademiska prestationer att vara olika, och det kan hända att en student med goda akademiska prestationer hamnar i ett kluster av dåliga. akademiska prestationer och vice versa. Det är nödvändigt att bestämma sådana klustercentra, vars värden inte beror på uppsättningen av sekretessbelagda data och säkerställa
De fördelar eleverna i kluster i enlighet med befintliga prestationsparametrar: upp till 60 poäng - dålig, från 60 till 75 poäng - tillfredsställande, från 75 till 90 poäng - bra, över 90 poäng - utmärkt.
Dessutom, enligt McKean-algoritmen, efter att ha lagt till data till klustret, är det nödvändigt att räkna om klustrets centrum. I det här fallet kommer värdet på klustercentrum att ändras, vilket också kommer att leda till förvrängning av klustringsresultaten.
Därför är det tillrådligt att använda McKean k-means-metoden för att lösa problemet efter en viss modifiering.
Modifiering av McKeans A-means-metod
Vi modifierar McKean-algoritmen baserat på följande antaganden:
1. När du löser problemet är det nödvändigt att ställa in sådana klustercentra som representerar medelvärdena för varje parameter för varje klass.
2. De angivna centren måste förbli oförändrade under hela klustringsproceduren.
Formulering av klustringsproblemet
En uppsättning objekt X är känd, representerande data om prestanda för n elever, bestående av m funktioner: X = X i, X 2,..., Xm). Uppsättningen objekt X beskrivs av uppsättningen mätvektorer X j, j = 1, m. Det krävs att prov X delas in i fyra typologiska grupper som kännetecknar elevernas prestationer: "utmärkt", "bra", "tillfredsställande" och "dålig". Därför sätter vi antalet kluster k = 4.
Klustringsprocedur
1. Låt oss ställa in matrisen för initialdata i enlighet med formel (1), där Xj - jth parameter i-te objektet, m - antal parametrar
Bulletin of KhNADU, vol. 68, 2015
dike; n - antal elever (klustringsobjekt)
X11 X12. .. X1 j . 1 s
X21 X22. .. X2 j . ..X2m
Xi1 Xi 2 . .. Xj . ..Xm. (1)
Xn1 Xn2. ..Xnj. ..Xnm
2. Låt oss tilldela primära klustercenter. För att göra detta, för varje kluster definierar vi referensvärdena för parametrarna som genomsnittliga data för varje typologisk grupp av studenter, erhållen genom att modellera processen för att utveckla kompetenser bland studenter. Referensvärdena kommer att användas som centrum för framtida kluster, runt vilka de närmaste objekten enligt värdena för de valda parametrarna är grupperade. Referensvärdena för klustringsparametrar ges i tabell. 1.
där ztj är det normaliserade värdet för den j:te parametern för /-te objektet; Xj - initialt värde för den j:te parametern för det i:te objektet; Xj är medelvärdet för den j:te parametern för alla objekt; 4. För normaliserade data, konstruera en avståndsmatris D (3) " 0 dl,2 ... dl, n dl,n+4 d 2,1 0... d2,n d 2,n+4 D = dn,1 dn,2. .. 0 dn,n+4. (3) dn+4,1 dn+4,2. .. dn+4,n 0 Vi beräknar avstånden mellan objekt med hjälp av den euklidiska metriken (4) Tabell 1 Standarder för prognoser Typolog. grupper Initial kunskap Kunskap om ämnet Antal godkända Klass 5 85 95 0 Klass 4 75 85 0 Klass 3 60 70 0 Klass 2 40 40 2 Objekt som är lika i sina parametrar samlas runt standarderna. Objekten för klustring i detta problem är studenter, och parametrarna är faktorer vars värden kan bedömas i det första ögonblicket för att studera disciplinen: Nivå av inledande kunskaper hos studenter; Nivån på kompetenser som utvecklats av studenter på det första ämnet i disciplinen; Antalet frånvaro från lektioner av elever vid tidpunkten för prognosen. där d/j är avståndet mellan de i:te och j:te objekten; m - antal klustringsfunktioner; zik - normaliserat värde för det i-te objektet med k-te särdrag; Zjk är det normaliserade värdet för det j:te objektet enligt det k:te attributet. 5. Från avståndsmatrisen, välj referensavståndsmatrisen, som är en matris av avstånd (5) från varje objekt till referensdata dl,n+1 dl,n+2 dl,n+3 dl,n+4 d 2,n+1 d 2,n+2 d 2,n+3 d 2,n+4 di,n+1 di,n+2 di,n+3 di,n+4 , (5) dn,n+1 dn,n+2 dn,n+3 dn,n+4 3. Eftersom de valda egenskaperna har olika måttenheter, normaliserar vi originaldata tillsammans med de standarder som läggs till dem enligt formel (2) i = 1, n + 4, j = 1, m där MEt är referensavståndsmatrisen. 6. I referensmatrisen bestämmer vi minimivärdet för avståndet, numret på objektet och klusterstandarden som finns på detta minsta avstånd. 7. Vi tilldelar det valda objektet till motsvarande kluster. Bulletin of KhNADU, vol. 68, 2015 8. Från källdatamatrisen och referensavståndsmatrisen tar vi bort data om objektet som tilldelats klustret. Vi upprepar steg 6 - 8 tills alla objekt är separerade i kluster. Den utvecklade proceduren för att förutsäga elevprestationer implementeras i form av ett makro i VBA. Beskrivning och resultat av experimentet För att testa effektiviteten av metoden för att forma individuella banor för självständigt arbete baserat på klusteranalys för att organisera individualiseringen av självständigt arbete av ett flöde av studenter, genomfördes ett experiment med elever i tre grupper (totalt 61 elever) av vägbygget fakulteten för KhNADU, studerar datavetenskap på höstterminen. Tre faktorer användes som initiala data: elevernas initiala kunskapsnivå (bedömdes i början av den första lektionen), kunskapen som eleverna förvärvade under lektionen om det första ämnet (bedömdes i det första laborationsarbetet) och antalet frånvaro från lektionerna (experimentet genomfördes i den andra lektionen). Baserat på dessa initiala data sammanställdes en prognos för akademisk prestation för varje student inom disciplinen "Informatik". I slutet av att studera disciplinen jämfördes elevernas förväntade poäng med poängen som eleverna fick i datavetenskapstestet. Jämförande experimentella data ges i tabell. 2 och i fig. 1. Tabell 2 Kredit- och prognosdata Utmärkt Bra Tillfredsställande ОХОІГЦ Totalt Kreditpoäng 3 11 40 7 61 Prediktiv poäng 2 13 38 8 61 Ris. 1. Jämförande kreditlista och prognosdata Slutsats Resultaten av experimentet visade att elevens förväntade prestation inte skiljer sig från den faktiska med mer än 3,3 %. Därför är proceduren baserad på den modifierade McKean's ^-means-metoden effektiv och kan användas för att förutsäga elevernas prestationer. Litteratur 1. Gershunsky B.S. Prognostiska metoder dy i pedagogik / B.S. Gershunsky. -K.: Vishcha-skolan, 1979. - 240 sid. 2. Zagvyazinsky V.I. Pedagogisk för- vision / V.I. Zagvyazinsky. - M.: Kunskap, 1987. - 77 sid. 3. Jurymedlem A.F. Prognoser som en lärares funktion (från en framtida lärare till en professionell): monografi / A. F. Jury. - Chelyabinsk: Education, 2006. - 306 sid. tov efter klusteranalysmetod / R.V. Mayer // Problem med pedagogiskt fysiskt experiment: samling. vetenskaplig och metod. Arbetar - 1998. - Utgåva. 5. - s. 12-19. 5. Shevchenko V.A. Konstruktion koncept modeller för kunskapsinhämtning av studenter inom disciplinen "Informatik" / V. A. Shevchenko // Bulletin of KhNADU: samling. vetenskaplig tr. - 2012. - Utgåva. 56. - Recensent: V.V. Bondarenko, professor, Ph.D., KhNADU.
