АНАЛИТИЧЕСКАЯ ПОДСИСТЕМА ДЛЯ СИСТЕМЫ ДИСТАНЦИОННОГО ПРАКТИКУМА ПО ПРОГРАММИРОВАНИЮ КАФЕДРЫ АВТ
, научный руководитель, к. т.н.
Вологодский государственный технический университет
г. Вологда
В современной системе образования большое значение имеют формы дистанционного обучения. В связи с этим разработка эффективной системы дистанционного обучения является важной и актуальной проблемой.
Существующие системы дистанционного обучения предлагают стандартные наборы учебных заданий для студентов, не учитывающие уровень подготовки студента. В связи с этим процесс обучения оказывается неэффективным. Выбор задания в соответствии с подготовкой и способностями каждого ученика позволит осуществить индивидуальный подход в обучении и соответственно результаты такого обучения будут более высокими. Такой анализ может провести преподаватель, но тогда система будет иметь следующие недостатки:
- Зависимость в выборе задачи от эксперта;
- Для больших архивов задач, объем данных для анализа настолько велик, что возможностей эксперта не хватает.
Целью дипломного проекта является реализация на практике принципа индивидуализации и дифференциации обучения в рамках системы электронного обучения путем автоматизации процесса анализа сложности задач и подбора задания в соответствии с уровнем подготовки студента.
Для достижения цели дипломного проекта были поставлены следующие задачи:
- Разработать аналитическую подсистему для выявления соответствия сложности учебных заданий способностям и возможностям студентов;
- Разработать максимально независимую и точную систему для эффективной самостоятельной работы
Система дистанционного практикума по программированию на базе кафедры АВТ представляет собой автоматизированную проверяющую систему с архивом задач. Для обозначения уровня сложности задачи используется пятнадцатибальная система оценки, при помещении каждой задачи в проверяющую систему преподаватель назначает ей экспертную оценку в пределах данной шкалы.
На практике экспертной оценки часто оказывается недостаточно, поскольку она не способна учитывать индивидуальные особенности каждого студента. Если студент не решил еще ни одной задачи в дистанционном практикуме, уровень его подготовки система определить не может. Точно так же невозможно получить эмпирический уровень сложности задачи, которая еще не решалась. Но на настоящий момент в базе данных практикума накоплено уже более 50000 попыток решения задач, из них более 5000 успешных. Практически для каждой задачи имеются прецеденты ее решения и большинство студентов уже имеет результаты, зафиксированные в системе. Эти эмпирические данные наравне с экспертной оценкой могут быть использованы для классифицикации задач.
Для решения задачи классификации предлагается ввести в систему дополнительный атрибут, символизирующий относительную сложность (класс) задачи индивидуально для каждого студента. Для того чтобы получить значения данного атрибута, необходимо собрать все доступные сведения в проверяющей системе, учитывающие как данные студента, так и данные задачи. Для этого предлагается ввести 5 классов, позволяющих оценить относительную сложность (количество классов может быть изменено по результатам эксперимента):
1. очень высокая (задача не подлежит решению);
2. высокая (для решения задачи требуется более 5 попыток либо потратить более 3 часов с момента первой попытки);
3. средняя (для решения задачи требуется от 3 до 5 попыток либо потратить от 1 до 3 часов с момента первой попытки);
4. низкая (задача подлежит решению со второй попытки, при этом время на решение с момента первой попытки не превышает часа);
5. очень низкая (задача решается с первой попытки).
Таким образом, за единицу входных принимается пара «студент-задача». Как следует из данного определения, исходная выборка данных для обучения алгоритма формируется по отправленным в систему решениям. Если студент какую-либо задачу не решал, то данная информация не войдет в множество объектов X. Такая пара «студент-задача» не будет использована на этапе обучения алгоритма, однако может быть классифицирована по сложности на этапе применения полученной модели. Именно на этом принципе основано адаптивное обучение студента. По мере решения новых задач одним и тем же студентом, может изменяться относительная сложность других задач в системе (которые он еще не решал). Для этого достаточно еще раз применить полученную модель классификации без необходимости ее повторного обучения.
Для реализации данной подсистемы будет построено дерево принятия решений, которое будет классифицировать задачу для пары «студент-задача». На ребрах дерева решения записаны атрибуты, от которых зависит целевая функция, в листьях записаны значения целевой функции, а в остальных узлах — атрибуты, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение.
Данная подсистема позволит:
- повысить эффективность обучения
- эффективно работать с большими архивами заданий
- совершать плавный переход от простых задач к сложным
- студентам работать независимо от преподавателя
