Содержание к диссертации
Введение
Глава 1. Обзор литературы 14
1.1 Модели представления знаний 14
1.2 Распознавание образов и принятие решений 21
1.3 Использование средств когнитивной графики при принятии решений и обосновании принятия решений 28
1.4 Выводы 33
Глава 2. Принятие и обоснование решений с применением матричной модели представления знаний, тестовых методов распознавания образов и средств когнитивной графики 35
2.1 Матричная модель представления данных и знаний. Закономерности в данных и знаниях 35
2.2 Математические основы построения безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов 39
2.3 Математические основы распознавания с применением безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов 41
2.4 Математические основы отображения исследуемого объекта в n-симплексе 45
2.5 Выводы 53
Глава 3. Программная реализация параллельных алгоритмов при построении отказоустойчивых диагностических и средств когнитивной графики 55
3.1 Параллельные модели вычислений для построения безызбыточной матрицы импликаций 57
3.1.1 Параллельная модель вычислений Divide2 57
3.1.2 Параллельная модель вычислений ManyWorkers 61
3.1.3 Структуры данных применяемых при построении безызбыточной матрицы импликаций 64
3.1.4 Технические особенности реализации 72
3.1.5 Результаты эксперимента и их анализ 76
3.2 Параллельные алгоритмы поиска безызбыточных h-кратных столбцовых покрытий безызбыточной матрицы импликаций 80
3.2.1 Параллельная модель вычислений для поиска безызбыточных h-кратных столбцовых покрытий безызбыточной матрицы импликаций в глубину 85
3.2.2 Параллельный алгоритм поиска безызбыточных h-кратных столбцовых покрытий безызбыточной матрицы импликаций в ширину 90
3.2.3 Технические особенности реализации 92
3.2.4 Результаты эксперимента и их анализ 92
3.3 Основы программной реализации фреймворка визуализации средств когнитивной графики 97
3.3.1 Основы программной реализации прототипа фреймворка визуализации средств когнитивной графики 98
3.3.2 Основы программной реализации актуальной версии фреймворка визуализации средств когнитивной графики 102
3.3.3 Адаптация средств когнитивной графики для работы при функциональных или технических ограничениях
3.4 Комплекс программ ИМСЛОГО 108
3.5 Выводы 110
Глава 4. Применение разработанных алгоритмов и средств когнитивной графики при разработке интеллектуальных систем 113
4.1 Интеллектуальная обучающе-тестирующие система 113
4.2 Интеллектуальная система профилактики психологического здоровья 124
4.3 Интеллектуальная информационная технология дорожно-климатического районирования 127
4.4 Выводы 131
Заключение 133
Список сокращений и условных обозначений 135
Словарь терминов 136
Список литературы 137
Список рисунков
- Использование средств когнитивной графики при принятии решений и обосновании принятия решений
- Математические основы распознавания с применением безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов
- Параллельные алгоритмы поиска безызбыточных h-кратных столбцовых покрытий безызбыточной матрицы импликаций
- Основы программной реализации актуальной версии фреймворка визуализации средств когнитивной графики
Использование средств когнитивной графики при принятии решений и обосновании принятия решений
Под распознаванием образов понимается корректное сопоставление описания объекта с одним из образов. Под принятием решений подразумевается выбор наилучшего варианта действия для полученного результата распознавания. Непосредственно задача распознавания образов и принятия решения не связаны между собой, но очень часто выполняются последовательно, поскольку как правило для принятия решения интеллектуальной системе необходимо получение информации о решаемой задаче, например: рекомендательным системам необходимо знание о предпочтениях пользователя (распознавание психологического портрета и интересов пользователя), системам автоматической навигации необходимо знание об окружающей обстановке (распознавание объектов окружающего мира) и т.д.
Первыми работами в области распознавания образов, хоть ещё и не сформированной в то время научной дисциплины, можно считать работы Р. Фишера [21], выполненные в 40-х годах и положившие начало формированию дискретного анализа, являющегося одним из разделов современной теории распознавания обра-зов.В50-60-е годы происходит зарождение теории статистических решений [22— 25], которые, как считают некоторые исследователи [26], в настоящее время являются одним из наиболее пригодных математических аппаратов для постановки и решения задач распознавания образов. В рамках теории статистических реше ний строились алгоритмы, обеспечивающие на основе экспериментальных измерений параметров (признаков), характеризующих этот объект, а также некоторых априорных данных, описывающих классы, определение конкретного класса, к которому может быть отнесён распознаваемый объект Одним из важных событий в области распознавания образов стало введение Ф. Розенблаттом в 50-х года понятия перцептрона — обучающейся машины распознавания образов, основанной на моделировании гипотетического механизма человеческого мышления. Принцип действия перцептрона сводится к определению суммарной взвешенной реакции чувствительных и ассоциативных элементов перцептрона на новый объект и коррекции (при необходимости) весов, задающих реакцию отдельных элементов [27; 28]. К середине 70-х годов область распознавания образов окончательно сформировалась как самостоятельное научное направление.
В настоящее время наиболее распространёнными подходами к распознаванию образов являются:
1. Метрический подход [23—26; 29—31]. Подход основывается на гипотезе “компактности” - предположении о том, что схожие объекты (объекты одного класса) образуют компактно локализованные подмножества в пространстве образов. Применение метрических методов предполагает введение системы координат для признакового пространства объектов и функции расстояния между объектами р(х,х ). Представителями методов рассматриваемого подхода являются: метод ближайший соседей, метод парзеновского окна, метод потенциальных функций и ряд других.
2. Распознавание объектов на основе разделимости [23—25; 31]. Как и предыдущий подход, основывается на гипотезе “компактности”, но при этом с выдвижением дополнительного предположения о том, что граница между классами имеет достаточно простую форму и можно использовать достаточно простые функции (линейные, кусочно-линейные и другие хорошо изученные функции) для того, чтобы отделить различные классы. Представители этого подхода: линейный дискриминант Фишера, однослойный перцептрон, логистическая регрессия и ряд других.
3. Статистический подход [23—26; 31; 32]. Подход основывается на принципе максимума апостериорной вероятности. Для объекта распознавания вычисляются функции правдоподобия для каждого из классов и апостериорные вероятности, объект считается принадлежащим тому классу, для которого апостериорная вероятность максимальна. В том или ином
виде все алгоритмы используют байесовское классификационное правило и его разновидности. Но, поскольку статистический подход основан на теореме, подразумевающей известные плотности распределения каждого из классов, что на практике как правило нереализуемо, их приходится восстанавливать (оценивать) из обучающей выборки. К числу статистических методов относятся: наивный байесовский классификатор, линейный дискриминант Фишера, квадратичный дискриминант, метод парзеновского окна и ряд других.
4. Искусственные нейронные сети [24; 27; 28; 33]. Подход основывается на математической модели построенной по образу и подобию сетей нервных клеток живого организма. Нейронная сеть представляет собой большое количество соединённых и взаимодействующих между собой простых элементов, где каждый элемент периодически получает сигналы от других элементов и изменяя их пересылает их другим элементам сети. Каждый элемент сети называется “Искусственным нейроном”. Нейронные сети не создаются в привычном понимании этого слова, а обучаются на основе обучающей выборки. Процесс обучения представляет собой нахождение оптимальной структуры связей и коэффициентов этой сети. К преимуществам подхода следует отнести способность искусственной нейронной сети выявлять сложные зависимости между входными и выходными данными, выделять необходимые для распознавания признаки, выполнять обобщения. К недостаткам — сложность интерпретируемости решений, полученных искусственной нейронной сетью. В настоящее время искусственные нейронные сети крайне распространены и применяются во множестве различных предметных областей при решении задач классификации, кластеризации, прогнозирования, аппроксимации, сжатия данных, анализа данных, оптимизации, принятия решений и управления и др. К числу методов искусственных нейронных сетей относятся применение: перцептрона, стохастического градиента, нейронных сетей Кохонена и ряд других.
5. Логический (логико-комбинаторный) подход [20; 24; 26; 34—37]. Подход основывается на предположении о наличии логических связей между объектами и классами, выраженными в виде импликативных или функциональных правил в пространстве признаков. Для решения задачи распознавания используются методы булевой алгебры, исчисления высказываний, теории графов, теории дискретных автоматов и других разделов дискретной математики. Более подробный разбор логических (логико-комбинаторных) методов рассмотрен ниже. К числу методов, представляющих этот подход относятся: алгоритмы вычисления оценок, тестовые алгоритмы, решающие деревья и ряд других.
6. Структурный (синтаксический) подход [26; 32; 38—40]. Подход основывается на переводе объекта в структурное описание и применение теории формальных грамматик. В рамках подхода считается, что объекты состоят из различных подобъектов, и могут быть описаны на языке описания образов, определяющего множество непроизводных элементов и операций между ними. В рамках этого языка определяется правила классификации – представления как самих образов, так и признаков, которые не позволяет отнести распознаваемый объект к этим образам. Непосредственно процесс распознавания может представлять собой определение выводимости рассматриваемого предложения (распознаваемого образа)сприменениемпостроенных правил классификации (грамматики) или как сопоставление графа, представляющего распознаваемый объект, с графом, представляющим правило классификации. Примерами языков могут служить: PDL – Picture Definition Language, язык описания изображений, плекс-грамматики и ряд других.
Математические основы распознавания с применением безызбыточных безусловных диагностических тестов и отказоустойчивых безызбыточных безусловных диагностических тестов
Первой такой функцией является отображение допустимой ошибки распознавания, задаваемой пользователем. Допустимая ошибка распознавания при использовании n-симплекса является внешним доверительным интервалом (определяется допустимым расстоянием от образа) и рисуется в виде пунктирной линии отстоящей от границ n-симплекса на некоторое расстояние. Отображение допустимой ошибки распознавания представлено на рисунке 2.5a.
Второй дополнительной функцией является отображение внутреннего доверительного интервала (определяется допустимым расстоянием от объекта внутри n-симплекса). Необходимость отображения внутреннего доверительного интервала возникает, например, при решении задачи прогнозирования, когда необходимо отобразить доверительную область прогноза. Отображение внутреннего доверительного интервала в n-симплексе имеет особенности, связанные со спецификой вычисления тех или иных расстояний в n-симплекс пространстве. Для каждой грани на границах доверительной области вычисляются несколько точек (3 точки b, c, d для 2-симплекса или 4 точки b, c, d, e для 3-симплекса), лежащие на перпендикуляре от опорной точки (a) до соответствующей грани n-симплекса на одном и том же расстоянии от опорной точки, соответствующим размеру доверительного интервала. Проходящие через точки b, c, d (b, c, d, e) линии, расположенные равноудалено от соответствующих граней, образуют правильный треугольник (правильный тетраэдр), определяющий доверительную область. Подобное отображение аналогично использованию прямоугольника (прямоугольный параллелепипед) для отображения доверительной области в декартовом двухмерном пространстве. Пример отображения доверительной области в 2-симплексе представлен на рисунке 2.5b.
Развёртка 3-симплекса и 2-симплекс призма основываются на 2-симплексе. Развёртка 3-симплекса представляет собой совокупность из трёх или четырёх 2-симплексов, на которой отображён исследуемый объект среди объектов обучающий выборки относительно четырёх классов. Развёртка может быть осуществлена с использованием трёх основных способов, отличающихся между собой различным способами сокращения размерности:
Развёртка 3-симплекса с общей внутренней стороной представляет собой совокупность из четырёх 2-симплексов, где каждая грань центрального 2-симплекса является общей с однойиз граней прилегающих к нему 2-симплексов. Этот режим развёртки позволяет построить компактное отображение объекта относительно 4-х образов. Недостатком этого режима является несоответствие расстояний от исследуемого объекта до одного и того же образа в разных 2-симплексах. Пример развёртки 3-симплекса с общей внутренней стороной представлен на рисунке 2.3.3a. ника не участвует в визуализации (не содержит 2-симплекс, в отличие от предыдущего режима), но при грани 2-симплексов образующие внутренний пустой треугольник сопоставлены одной грани 3-симплекса, которая представлена наиболее близким к исследуемому объекту образом. С использованием этого режима исследователь может легко увидеть степень сходства между исследуемым объектом и различными комбинациями из трёх оставшихся образов. Хоть этот режим является более наглядным для большинства случаев, он имеет тот же недостаток, что и предыдущий режим. Пример развёртки 3-симплекса с общей внутренней стороной представлен на рисунке 2.3.3Ь. 3. Прямая развёртка 3-симплекса в двухмерное пространство представляет собой совокупность из четырёх 2-симплексов, полученных ортогональным проецированием объектов в 3-симплексе на его грани. Центральный 2-симплекс соответствует основанию 3-симплекса, три внешних 2-симплекса его боковым граням. Пример развёртки 3-симплекса с общей внутренней стороной представлен на рисунке 2.3.3с. Применение 3-симплекса и развёртки 3-симплекса особенно целесообразно при отображении исследуемого объекта относительно четырёх образов, что невозможно при применении 2-симплекса.
Описанные ранее средства когнитивной графики из семейства п-симплексов (2-симплекс, 3-симплекс, развёртка 3-симплекса) в основном направлены на принятие и обоснование решений для статических задач и могут быть применены для динамических процессов только с некоторыми ограничениями. Для динамических процессов было предложено в 2015 г. новое СКГ “2-симплекс призма” [114], представленное на рисунке 2.3.4. Средство когнитивной графики “2-симплекс призма” представляет собой правильную треугольную призму, содержащую в основаниях и срезах 2-симплексы, зафиксированные в конкретные моменты времени. Расстояния от основания призмы (ближайшая к наблюдателю грань) до 2-симплекса соответствуют отношению времени фиксации параметров к продолжительности исследования и вычисляются по формуле где: - Н —длина 2-симплекс призмы, задаваемая пользователем и сопоставленная продолжительности исследования; – Ti — дата i-ой фиксации значений признаков; – Tmin — дата начала исследования (первой фиксации параметров); – Tmax — дата окончания исследования (последней фиксации параметров). Боковые грани призмы соответствуют различным образам. Расстояние от маркера до боковой грани производится аналогично 2-симплексу и прямо пропорционально расстоянию исследуемого объекта до образа, сопоставленного грани. 2-симплекс призма позволяет визуально представлять процессы в динамике, что является необходимым для большого числа проблемных и междисциплинарных областей таких как медицина, экономика, генетика, строительство, радиоэлектроника, социология, обучение, психология, геология, геоэкология, экобиомедицина и др. В случае необходимости отображения исследуемого объекта относительно более чем трёх образов для отображения динамики процесса на разных этапов может быть использовано несколько 2-симплекс призм, пример такого использования приведён в главе 4.2.
Изложенная матричная модель представления данных и знаний позволяет хранить знания экспертов, заданных в целочисленной интервальной форме. При этом обработка интервальных значений без введения специальных механизмов для их обработки экспотенциально увеличивает вычислительную сложность применения тестовых методов распознавания образов. Для решения этой проблемы ранее были разработаны логические методы сокращения вычислений для бинарных матриц, но подобный механизм отсутствовал для целочисленных матриц. С этой целью были предложены формулы для вычисления ряда необходимых при распознавании образов коэффициентов: сходства объектов внутри одного образа и распознаваемого объекта с объектами образа; весовых коэффициентов характеристических признаков для целочисленных матриц описаний, содержащих заданные в интервальной форме значения признаков без введения строк замещения. Наличие предложенных формул позволяет существенно сократить количество необходимых вычислений при распознавании образов для целочисленных матриц.
Описанное n-симплекс семейство СКГ представляет собой ряд крайне востребованных и распространённых СКГ, используемых для принятия и обоснования решений в различных проблемныхи междисциплинарных областях. В рамках диссертационной работы проведена структуризация уже имеющихся СКГ из n-симплекс семейства. Кроме того были предложена программная реализация СКГ 3-симплекс и новок СКГ 2-симплекс призма и разработан необходимый математический аппарат для ихвизуализациии дополнительного функционала, как отображение внутренних и внешних доверительных интервалов.
Параллельные алгоритмы поиска безызбыточных h-кратных столбцовых покрытий безызбыточной матрицы импликаций
Значительное влияние на эффективность программной реализации оказывает выбранный подход для хранения безызбыточной матрицы U (W). Поскольку принципы построения БМИ для ББДТ, схожи с принципами построения БМИ для ОУ ББДТ, далее будем говорить только о построении БМИ для ББДТ подразумевая что все верно и для построения БМИ для ОУ ББДТ, если не сказано обратное. Ряд экспериментов с различными структурами показал целесообразность использования односвязного списка для хранения матрицы U , что обусловлено следующими факторами:
1. Односвязный список прост в реализации и имеет стандартную реализацию в C++14 (std::forward_list).
2. В алгоритмах построения ББДТ и ОУ ББДТ часто используются операции вставки и удаления элементов в произвольной позиции и односвязный список имеет меньшую стоимость этих операций в отличие от других структур данных.
3. В алгоритмах построения ББДТ и ОУ ББДТ требуется только последовательный доступ к строкам, что не налагает дополнительных ограничений на выбираемую структуру данных и при этом является основным способом работы с односвязным списком.
При экспериментах с этой структурой нашёлся её большой недостаток, связанный с необходимостью глобальной блокировке всей структуры данных при работе с ней из разных потоков. Поэтому этот подход к хранению БМИ был развит и была реализована специальная структура данных — маркированный односвязный список с локальной блокировкой (МОСЛБ). Эксперименты с этой структурой данных позволили выявить некоторые её недостатки, связанные с ограничением возможных процессорных оптимизаций при её использовании, которые могут быть устранены в дальнейшем. Хранение безызбыточной матрицы импликаций U в односвязном списке
При первых экспериментах с производительностью параллельных алгоритмов применяемых при построении БМИ использовался односвязный список для хранения матрицы U . Схематично используемая структура данных, состоящая из трёх элементов, и необходимые обозначения представлены на рисунке 3.4. Для пустого списка будем считать, что HEAD имеет значение nullptr (зарезервированное значение, обозначающее, что указатель никуда не ссылается). Поле DATA хранит строку матрицы U , а NEXT - указатель на следующий узел. HEAD j DATA NEXTN DATA NEXT -ifDATA NEXT U nullptr Рисунок 3.4 — Используемая структура данных для хранения матрицы U Далее приведём алгоритм добавления новой строки NEWDATA в односвязный список, хранящий безызбыточную матрицу U : 1. Присвоение переменной PREV значения nullptr. Присвоение переменной CURRENT указателя HEAD (указатель на первый узел списка строк, хранящих матрицу U ). 2. Если переменная CURRENT равна nullptr (весь список обработан), переход на шаг 7. 3. Если строка CURRENT.DATA поглощает строку NEWDATA, переход на шаг 8. 4. Если строка NEWDATA поглощает строку CURRENT.DATA, переход на шаг 6. 5. Присвоение переменной PREV указателя на текущий узел списка CURRENT. Присвоение переменной CURRENT указателя на следующий узел списка CURRENT.NEXT. Переход на шаг 2. 6. Если PREV равен nullptr переход на шаг 6Ь. a) Присвоение переменной PREV.NEXT указателя CURRENT.NEXT. Удаление узла по указателю CURRENT (освобождение памяти). Присвоение CURRENT указателя PREV.NEXT. Переход на шаг 2. b) Присвоение переменной HEAD указателя CURRENT.NEXT. Удаление узла по указателю CURRENT (освобождение памяти). Присвоение CURRENT указателя HEAD. Переход на шаг 2. 7. Выделение памяти для нового узла списка и сохранение указателя в переменную NEWNODE. Присвоение NEWNODE.DATA значения NEWDATA. Присвоение NEWNODE.NEXT значения HEAD. Присвоение HEAD указателя NEWNODE. 8. Конец.
Добавление новых строк в начало списка U приводит к тому, что более “лёгкие” строки (строки, поглощаемые большим количеством других строк) будут в начале списка U и время работы алгоритма будет сокращено за счёт частого выхода из алгоритма (на шаге 3) ещё в начальной части матрицы U . Кроме того, взаимодействие программы с односвязным списком, хранящим матрицу U , может быть реализовано с использованием двух подходов:
1. Использование одной общей матрицы U . Разные вычислительные потоки алгоритма будут взаимодействовать с одной общей для всех потоков матрицей U .
2. Использование локальных матриц U и их слияния в одну матрицу U после завершения вычислительного потока. Каждый вычислительный поток программы, реализующей алгоритм, будет использовать свою локальную матрицу U , которая будет объединена с общей для всех потоков матрицей U только после завершения непосредственного вычисления и добавления строк. Предложенный подход позволит получить небольшой выигрыш в эффективности за счёт более быстрого выхода из алгоритма добавления строк (поглощение строк в локальных матрицах более вероятно, что получено эвристически) и процессорных оптимизаций, производимых во время выполнения программы.
При применении любого подхода необходимо иметь в виду, что одновременная запись в общую матрицу U (всегда для первого подхода или при слиянии матриц для второго подхода), выполняемая из разных вычислительных потоков может привести к некорректному состоянию односвязного списка, хранящего матрицу U (нарушению целостности структуры данных из-за race-condition), поэтому логика взаимодействия с матрицей U должна быть расположена в критической секции, защищённой мьютексом. Как будет показано далее, из-за наличия глобальной блокировки этот способ оказывает крайне негативное влияние на производительность алгоритма построения БМИ в целом.
Хранение безызбыточной матрицы импликаций U в маркированном односвязном списке с локальной блокировкой
При проведении эксперимента с производительностью параллельной модели вычислений ManyWorkers глобальная синхронизация необходимая для работы с односвязным списком оказала намного более сильное негативное воздействие на производительность модели ManyWorkers, чем до этого на модель Divide2. Целесообразным решением была реализация собственной структуры данных для хранения матрицы U — маркированного односвязного списка с локальной блокировкой (МОСЛБ), требующей только локальной блокировки строк. Поскольку эта структура базируется на основе простого односвязного списка, большинство идей описанных ранее верно и для МОСЛБ. Схематично структура данных представлена на рисунке 3.5.
В этом списке (МОСЛБ), как и в классическом односвязном списке, присутствуют поля DATA для хранения данных (строки матрицы U ) и NEXT для хранения указателя на следующий узел списка. Кроме того, добавляются два дополнительный поля: LOCK для обозначения того, что в текущий момент с узлом уже производится какое-либо взаимодействие, и AGE, предназначение которого будет объяснено далее. Отметим ещё одно отличие МОСЛБ от классического односвязного списка: HEAD представляет собой не указатель на узел, а непосредственно узел, у которого не заполнено поле DATA. Подобное представление целесообразно, поскольку алгоритм использует все остальные поля (AGE, LOCK, NEXT) и такое представление упрощает алгоритм. Указатель nullptr означает, что узел является последним.
Основы программной реализации актуальной версии фреймворка визуализации средств когнитивной графики
Актуальность проводимых исследований связанассозданием систем управления качеством подготовки специалистов, осуществляемой как в ВУЗах, так и в других учебных заведениях, включая учреждения по дополнительному образованию и переподготовки кадров, и большим количеством развиваемых в настоящее время площадок дистанционного обучения (Coursera, edX, Intuit), интеллектуальных обучающих систем, интерактивных обучающих курсов и других систем в которых одновременно обучается огромное количество пользователей.
Онлайн-курсы включают в себя множество современных технологий в обучении: просмотр видео-лекций, игровые технологии, современные социальные технологии общения с экспертами по изучаемой дисциплине, обратная связь “студент-преподаватель” и др. При этом, в подавляющем большинстве, проверка уровня усвоенных знаний проводится на основе безусловных диагностических тестов и, как правило, весьма слабо развита объяснительная компонента результатов тестирования и организация диалога с студентом. Кроме того проверка тестирования поконечномурезультату (ответу), тем болеенаоснове менюи сиспользо-ванием безусловных диагностических тестов, не всегда возможна, но всегда примитивна [139]. При этом важным является наличие как наличие корректного механизма получения оценки обучения, так и механизма её корректного донесения до всех участников образовательного процесса (студенты, родители, преподаватели, разработчики, работодатели). Первое необходимо для обеспечения возможности формирования индивидуальной образовательной траектории студента, то есть гибкой подстройки сложности курса под способности студента, или динамического формирования обучающихся групп, со схожими способностями. Второе также необходимо как для индивидуальной мотивации студента (например, путем введения соревновательной компоненты), так и для группового применения, чтобы дать преподавателю возможность корректного формирования подгрупп обучения или проверки корректности подгрупп сформированных автоматически. Исходя из этого актуальность развития подходов получения оценки качества результатов обучения и их донесения до всех участников процесса в настоящее время не вызывает сомнений.
Приведём краткое описание предметной области и применяемых в настоящее время моделей.
Далее в процессе изложения будем использовать термин дидактическая единица [140]. “Дидактическая единица (ДЕ) - элемент содержания учебного материала, изложенного в виде утверждённой в установленном порядке программы обучения в рамках определённой профессиональной дисциплины или общеобразовательного предмета. Дидактическая единица - одна из предметных тем, подлежащих обязательному освещению в процессе подготовки специалистов, обучающихся по данной дисциплине (предмету).”
Для проверки качества обучения (например, по ЕГЭ и ФЭПО), используется следующий подход:
1. Каждому тестовому вопросу сопоставляется выраженный в баллах вес, зависящий от сложности рассматриваемого вопроса и вклад в конечную оценку студента. Вопросы для каждой ДЕ разбиваются на группы схожих вопросов. Все вопросы в группе имеют одинаковый вес и любое сочетание вопросов, полученное выбором одного из них по каждой группе, полностью покрывает ДЕ. Тест строится по группе ДЕ. Для каждого студента генерируется псевдослучайным образом тест, составленный из вопросов из каждой группы. Так как для закрытых вопросов теста с одним правильным ответом существует большая вероятность угадать правильный ответ, часть вопросов представляется в другой форме, более сложной для случайного угадывания. Примерами таких вопросов могут быть вопросы: с возможностью указать несколько правильных ответов; с полем для ввода ответа; на сопоставление пар, порядка и т.д.
2. Вычисляется суммарное количество баллов для всех правильно отвечен-ных вопросов, а также количество баллов для частично-правильных ответов, причём количество баллов для таких ответов может быть вычис 115
лено по-разному: либо часть баллов, либо ноль. На основе заранее заданных порогов тех или иных ответов суммарное количество баллов переводится в одну из оценок: неудовлетворительно (2), удовлетворительно (3), хорошо (4), отлично (5).
3. Результаты прохождение теста оцениваются как отношение количества баллов, полученных в результате правильных ответов на вопросы теста, к максимально возможному количеству баллов, которое можно набрать, правильно ответив на все вопросы теста. Кроме того каждое ДЕ, входящее в тест, оценивается по вышеописанной схеме, но учитываются только вопросы, относящиеся к конкретной ДЕ.
4. Динамика результатов обучения (тестирования) отображается на плоскости (рис. 1): по оси X откладывается дата прохождения теста, а по оси Y – оценка результатов прохождения теста (ДЕ). Такое отображение позволяет с достаточной степенью наглядности представить успешность обучения студента.
Для улучшения процедуры контроля усвоенных знаний были предложены следующие подходы:
1. Использование входного контроля для оценки у студентов способностей к обучению, а также накопленных навыков, опыта и цели прохождения обучения, позволяющее на начальном этапе ориентировать процесс обучения на учёт способностей и предпочтений студента. Ориентация на конкретные способности и предпочтения студента позволит сделать процесс обучения более эффективным и практическим.
2. Использование в целях обучения и тестирования оригинальной парадигмы смешанных диагностических тестов (СДТ), представляющих собой оптимальное сочетание безусловной и условной составляющих. СДТ является одним из наиболее адекватных и полезных инструментов, который целесообразно применять в смешанном образовании и обучении (blended education and training), появившемся и распространившимся в настоящем столетии. При этом предлагается использовать СДТ не только для определения качества обучения студента, нои для проектирования траектории образовательного процесса. Наличие вариативности в образовательном процессе (возможности выбора) особо ценится студентами в контексте смешанного образования иобучения. При таком подходетест для каждой ДЕ будет состоять из двух частей: набора вопросов из безусловной составляющей СДТ, определяющего степень усвоения независимого материала по текущей ДЕ, и набора вопросов из условной составляющей СДТ, когда каждый последующий вопрос зависит от результата ответа на предыдущий вопрос. При применении такого подхода, последовательность задаваемых вопросов может выявить у студентов знание не только текущего ДЕ, но и связанных с ним ДЕ, что позволит талантливым студентам ускорить процесс обучения.
3. Использование оригинального подхода представления учебной дисциплины и оценки прохождения тестирования студентом на основе семантической модели представления учебного курса (СМПРУК) [141]. Использование СМПРУК позволит строить индивидуальные траекторий обучения студентов и чётко отслеживать корреляцию между необходимыми студенту знаниями и успешной пройденным учебным материалом, как для студента, так и для преподавателя.
4. Использование нестандартной методики оценки студентов, основанной на мотивацию достижения конкретных целей студентом, таких как развитие навыков теоретической (научной) работы, практической (прикладной) и др. и использование нескольких ортогональных осей оценки его навыков, вместо использования линейной пятибалльной шкалы.
5. Использование большого количества СКГ для решения ряда задач, среди которых, вспомогательная функция при создании и структуризации учебного курса, контроля за индивидуальными и групповыми траекториями обучения студентов, демонстрация оценки для студентов и др.