Жуйков Виктор Викторович Научные публикации

Подсистема построения портрета обучающегося в рамках системы оценки качества знаний

Аннотация

    Рассматривается принцип построения портрета обучающегося на основе нейронного подхода. Задаётся описание подсистемы с помощью множеств.

Subsystem of construction of the portrait trained within the limits of system of the estimation of quality of knowledge

Abstract

    The principle of construction of a portrait trained on the basis of the neural approach is considered. The description of a subsystem by means of sets is set.

    Получение объективных оценок обеспечивает педагогам и работникам управления образованием надежную обратную связь, указывающую на аспекты функционирования системы и достижение поставленных целей учебного процесса. На основании серии тестов по различным дисциплинам и темам существует возможность сформировать портрет обучающегося. В свою очередь при обучении существуют цели учебного процесса и поставленные задачи, которые в свою очередь должны отражать идеальную модель обучающегося по различным критериям. Подсистема построения портрета обучающегося выполняет функцию сравнения показателей идеальной модели и реальной модели обучающегося, в итоге отражая отклонения. На рисунке 1 представлена модель нейронной сети подсистемы расчёта отклонений. На рисунке 2 представлена нейронная сеть подсистемы построения портрета обучающегося.

Рисунок 1 Модель нейронной сети подсистемы расчёта отклонений.

Рисунок 2. Нейронная сеть подсистемы построения портрета обучающегося.

    Подсистема построения портрета обучающегося представляет собой: N={S,W}, где S={X,A,R} - множество входных сигналов и выходных сигналов нейронов, X={x_i} - вектор входных сигналов, 'x_i принадлежит [0..бесконечность], A={a_i} - множество выходных сигналов нейронов, принадлежность предметной области, a_i принадлежит [0..1], R={r_i} - вектор выходных сигналов, отвечающий за результат, r_i принадлежит [0..1], W={w_ij} - матрица весовых коэффициентов нейронной сети, отвечающая за взаимосвязь каждого составляющего,w_ij принадлежит [0..1]. Входные сигналы, в данном случае это X={x_i}, отражают результат проведённого тестирования [0..бесконечность], что оценивается в результате проверочных тестов. Синаптические веса во входном слое нейронной сети отображают важность каждого входного сигнала в том или ином нейроне, то есть принадлежность проведённого теста предметной области A={a_i}. Далее принадлежность предметных областей полностью опирается на онтологию. Нейроны входного слоя отвечают за оценку результатов тестирования. Веса же в промежуточном слое являются прямым соответствием оценки по области знаний, за которые отвечают нейроны множества A={a_i}, что касается выходного слоя нейронной сети R={r_i}, то здесь значение весов определяются верхней границей иерархии онтологии. Полученный результат – это сигналы выходного слоя. Модификация идеальной модели обучающегося представлена на рисунке 3.

Рисунок 3. Модификация идеальной модели обучающегося.

    На основе полученных данных можно говорить о достижении целей обучения и об относительной успеваемости среди обучающихся.

    Литература

1. Уоссерман Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
2. Круглов B.B., Борисов B.B. Исскусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001 382 с.
3. А.В. Гаврилов. Системы искусственного интеллекта: Учеб. пособие: в 2 х ч. – Новосибирск: Изд-во НГТУ, 2001.
4. Cybenko, G., Approximation by superpositions of a sigmoidal function // Mathematics Control, Signal & System, Vol. 2, pp. 303-314, 1989.
5. Funahashi, K.I., On the approximate realization of continuous mappings by neural networks //Neural Networks, Vol. 2, pp. 183-192, 1989.

Жуйков В.В. Подсистема построения портрета обучающегося в рамках системы оценки качества знаний [Текст] / В.В. Жуйков // Вестник московского городского педагогического университета. Серия «Информатика и информатизация образования» Москва: МГПУ, Йошкар-Ола: МГУ, 2008г. №1(11) С. 198-199. – 0,2 п.л.