Оптимизация применения тестовых композиций в образовательном процессе

Авторами разработан метод понижения коэффициента случайной идентификации, позволяющий преобразовать трехпараметрическую модель А. Бирнбаума в двухпараметрическую [156]. Задача теста, используемого в качестве оценки уровня знаний для дифференциации обучающихся, состоит в достижении значения выявленного коэффициента минимума (Cj —> 0). Формула для определения коэффициента случайной идентификации C.j в случае тестовых заданий на соответствие из двух множеств, в отличие от заданий на выбор правильного ответа, где С} гг-1, п количество предложенных вариантов ответа, имеет вид

где N — количество элементов основного множества; п — количество признаков вспомогательного множества.

Коэффициент случайной идентификации для оптимальных тестовых композиций матричного типа, к которым относятся тесты на установление соответствий, определяется количеством вспомогательных множеств:

где Сб, Св,..., Ср — коэффициенты случайной идентификации вспомогательных множеств Б, В,..., Р соответственно.

В результате анализа тестовых композиций матричного типа на уровень коэффициента случайной идентификации получен вывод: при наличии в основном множестве N элементов и ) 4 элементов во вспомогательных множествах трехпараметрическая модель А. Бирнбаума преобразуется в двухпараметрическую.

Обоснована необходимость многократных наблюдений как основы достоверности измерений в тестовых образовательных технологиях. С помощью программы для ЭВМ «Генератор подструктур» [158] на базе тестовой композиции «ЛБВ, ЛОВ -О или -М типа в генераторном или усилительном режиме» (см. табл. 7.2) получен тест, состоящий из 64 заданий одинаковой трудности. С помощью программы «АСТ» проведен эксперимент в виде многократного тестирования группы обучающихся для выявления и снижения погрешности экспериментальных измерений. На основе результатов тестирования построены частотные распределения успеваемости студентов, а также индивидуальных баллов тестируемых, определяющие эффективность тестовых заданий. Показана возможность адаптации программ «Schemsrav.l» (рис. 7.6) к оценке погрешности полученного распределения от ожидаемого [159, 160].

Анализ полученных результатов показал, что многократное тестирование позволяет снизить погрешность измерений и получить

Алгоритм работы программы «Schemsrav.l»

Рис. 7.6. Алгоритм работы программы «Schemsrav.l»: ВП — вейвлет- преобразование; НВП — непрерывное вейвлет-преобразование; КК — коэффициент корреляции

относительно точные данные об уровне подготовки тестируемого; обладает не только контролирующей, но и обучающей функцией.

Применение и реализация предлагаемых авторами новых методов и правил позволяют определить направления принятия управленческих решений: повышение качества подготовки выпускников по специальностям (направлению подготовки в вузе); повышение качества подготовки студентов по этапам обучения; рост эффективности научно-исследовательских работ и их взаимосвязей с образовательным процессом; уменьшение числа отчисленных студентов.

В следующем подразделе рассматривается решение актуальной задачи проверки баз знаний, реализованных на формализме продукционных правил, которое использует комбинированное представление и дуализм нейронного и продукционного механизмов [161].

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >