The 9 reference contexts in paper M. Kosonogova A., М. Косоногова А. (2016) “Контроль уровня учебных достижений путем мониторинга поведенческих факторов в системе электронного обучения // Academic Achievements Control by Monitoring Behavioral Factors in E-learning System” / spz:neicon:technomag:y:2015:i:1:p:528-541

  1. Start
    1453
    Prefix
    Раша, поведенческие факторы, немонотонные индикаторы Введение В настоящее время на международных форумах и конференциях, посвященных тенденциям в образовании, самой обсуждаемой является технология адаптивного электронного обучения на основе больших данных
    Exact
    [1]
    Suffix
    . Данная образовательная технология предполагает использовать различные метрики, чтобы понять, как обучающийся взаимодействует с учебным контентом, и в соответствии с этим давать рекомендации по продвижению обучения.
    (check this in PDF content)

  2. Start
    2438
    Prefix
    Формально, модель контроля – одна или несколько функциональных зависимостей, устанавливающих связь результата выполнения контрольных заданий с текущим уровнем учебных достижений обучающегося и характеристиками заданий
    Exact
    [2]
    Suffix
    . Известны два семейства моделей контроля – CTT-модели, которые разрабатываются в рамках классической тестологии (Classical Test Theory), и IRT-модели из современной теории моделирования и параметризации педагогических тестов (Item Response Theory).
    (check this in PDF content)

  3. Start
    3339
    Prefix
    Другими словами, в классической тестологии первичный балл испытуемого рассматривается как мера уровня учебных достижений, в рамках второго подхода – как проявление уровня достижений. IRT-подход признан более адекватным с точки зрения действительности
    Exact
    [2-4]
    Suffix
    . Семейство IRT-моделей представлено однопараметрической моделью Г. Раша, двух- и трехпараметрической моделью А. Бирнбаума, четырехпараметрической моделью В. Аванесова. Однако доказано, что практической применимостью для измерений обладает только модель Г.
    (check this in PDF content)

  4. Start
    3616
    Prefix
    Раша, двух- и трехпараметрической моделью А. Бирнбаума, четырехпараметрической моделью В. Аванесова. Однако доказано, что практической применимостью для измерений обладает только модель Г. Раша
    Exact
    [5-7]
    Suffix
    . В свете технологии адаптивного обучения на основе больших данных существующее представление о моделях контроля уровня учебных достижений выглядит ограниченным. Поэтому актуальным является совершенствование теоретических взглядов в области моделей контроля, используемых в системах электронного обучения.
    (check this in PDF content)

  5. Start
    5418
    Prefix
    Пусть «уровень учебных достижений» («уровень подготовленности») – латентная переменная, которая проявляется через набор некоторых индикаторов. Количественной мерой любой латентной переменной является логит – формальная единица измерения в рамках теории IRT
    Exact
    [8]
    Suffix
    . В классическом случае кортеж индикаторов составляют результаты выполнения набора тестовых заданий. Предлагается дополнить кортеж, добавив замеры действий испытуемых, связанных с использованием системы электронного обучения.
    (check this in PDF content)

  6. Start
    9585
    Prefix
    блок поведенческих факторов целесообразно разбить на две категории и , где – число строго монотонных индикаторов, которые могут быть использованы в модели Раша без дополнительных преобразований, из общего числа поведенческих факторов. На s-м шаге обучения результат мониторинга каждого измеряемого индикатора из кортежа (1) описывается вероятностной моделью Г. Раша
    Exact
    [3]
    Suffix
    , (3) где – градация индикаторной переменной; – отклик i-го обучающегося на -й индикатор; – вероятность выбора -м обучающимся варианта -го индикатора; – уровень трудности индикаторной переменной; – относительный уровень трудности -й градации -го индикатора, или приращение уро
    (check this in PDF content)

  7. Start
    10707
    Prefix
    Поэтому исходные данные, собранные в ходе скрытого мониторинга предварительно дискретизируются и представляются в порядковой шкале. Вопросы дискретизации строго монотонных индикаторных переменных подробно рассмотрены в работах
    Exact
    [3, 9]
    Suffix
    , где предлагается использовать следующие формулы: (4) (5) Здесь – градация строго монотонной индикаторной переменной; – значение строго монотонной индикаторной переменной, ; – минимальное значение индикаторной переменной из всего набора статистики; – максимальное значение индикато
    (check this in PDF content)

  8. Start
    13007
    Prefix
    характера Неоднозначное направление влияния немонотонного (нестрого монотонного) индикатора на значение латентной переменной предлагается формализовать на основе аппарата нечетких множеств. Для создания функций принадлежности, описывающих поведенческие факторы немонотонного (нестрого монотонного) характера, использован статистический подход
    Exact
    [10]
    Suffix
    . Следствием замены на является то, что большему значению функции принадлежности соответствует большее значение измеряемой латентной переменной, и наоборот. Такой характер влияния, в свою очередь, приемлем при использовании модели Г.
    (check this in PDF content)

  9. Start
    16817
    Prefix
    принадлежности, описывающие индикатор «время, затраченное на прохождение тестового контроля» Вид функций принадлежности подтверждает выдвинутую гипотезу о немонотонном направлении влияния рассматриваемой индикаторной переменной на уровень подготовленности. Для аналитического описания выявленных зависимостей предлагается использовать ряд стандартных функций принадлежности
    Exact
    [11]
    Suffix
    . Подбор параметров производился путем аппроксимации экспериментальных данных ( ), минимизируя сумму квадратов разностей (табл. 4 – 6). Наборы функций принадлежности для каждого нечеткого множества закладываются в систему электронного обучения.
    (check this in PDF content)