Учебники и учебные пособия (стр. 11 )

Электронный комплекс разработан в среде визуального программирования Borland Delphi 6.0. Тексты заданий самостоятельной работы выполнены с использованием языка разметки гипертекста, что позволяет создавать задания с поддержкой всех мультимедийных возможностей языка HTML, включая графику, анимацию, таблицы каскадных стилей, а также гиперссылки.

Электронный комплекс состоит из двух, работающих независимо друг от друга программ: программы просмотра (TestReader. exe) и программа разработки (TestPager. exe) заданий самостоятельной работы.

Комплект задач можно легко пополнять или изменять с помощью программы разработки заданий (TestPager. exe). Она имеет предварительно подготовленные поля ввода, позволяющие ввести условие, подсказку, решение задачи и ответ, которые могут включать графические изображения.

Все задания самостоятельной работы на определенную тему объединяются в один пакет (файл), содержащий до 50 заданий. Каждое задание состоит из условия, подсказки, правильного решения, ответа и названия файла демонстрации, если он предусмотрен. Все прилагаемые к пакету файлы (графические изображения, демонстрационные файлы) должны храниться в одной директории с пакетом заданий. В случае необходимости перемещается директория со всеми хранящимися в ней файлами.

Предусмотрена возможность работы с пакетами заданий в пределах локальной сети, за исключением одновременного редактирования одного и того же пакета заданий двумя пользователями в программе разработки пакетов заданий.

Программа просмотра (TestReader. exe) позволяет выбирать оптимальное для усвоения той или иной темы число задач. Варианты заданий по каждой теме формируются случайным образом из подобранных задач. Список задач отображается в диалоговом окне, программа позволяет составлять из них, при необходимости, определенные задания.

Студентам предлагаются условия заданий, различной степени сложности, которые они выполняют в тетради или, используя программные средства, и вводят в предусмотренное поле полученный ответ. При правильном ответе обучаемый переходит к новому заданию, а если ответ неверный, то дается указание к решению, в случае повторного введения неверного ответа приводится подробное решение. Таким образом, студент самостоятельно решает поставленные перед ним задачи и получает в случае ошибок необходимые разъяснения, работая в удобном для себя темпе.

После выполнения всех заданий, предусмотренных по изучаемой теме, появляется окно отчета, в котором указано общее количество просмотренных заданий, число заданий, ответы на которые были даны: верно; без подсказки; с подсказкой и неверно. Такая организация работы позволяет студенту система-тически контролировать себя, знать степень своей под-готовки, а преподавателю, отслеживать успехи студентов и при необхо-димости вовремя корректировать их обучение. Функция преподавателя — консультативно-контролирующая. Функции студента - деятельный подход, самостоятельное творческое познание, лежащее в основе самообразования и саморазвития человека, научная организация процесса обучения, умение ориентироваться в потоке информации.

Электронный комплекс «Самостоятельная работа» используется при изучении дисциплины «Дискретная математика» студентами 1 курса обучающимися по специальности «Информатика».

Самостоятельная работа студентов организованная с помощью электронного комплекса может быть включена во все звенья учебного процесса: на этапе опережения; одновременно с изучением тем; при обобщающем повторении. Работая с этим электронным комплексом, студент не боится допускать ошибки, он мыслит, рассуждает, а программа помогает восполнить пробелы в обучении.

Предлагаемая организация самостоятельной работы активизирует мышление, способствует формированию собственных взглядов и мнений, учит работать самостоятельно.

The quality of student science within the framework of
e-learning

Shevtchenko K. K.

MMIEIFP, Moscow

Abstract

Guarantee and evaluation of the quality of student science within the framework of e-learning requires special scientific researches.

Качество студенческой науки в условиях
Интернет-обучения

ММИЭИФП, Москва

Неотъемлемой частью процесса обучения в вузе является студенческая наука, которая в условиях классического университета формируется в виде трех компонент:

- Встроенная в учебный процесс, предусмотренная в рамках занятий и самостоятельных работ.

- Дополняющая - направленная на его персонализацию и включает участие в конкурсе на лучшую студенческую работу, выступления на конференциях и научных семинарах.

- Параллельная учебному процессу - направленная на профессионализацию студентов в науке.

Использование Интернет в образовании считается прогрессивным направлением развития образовательных технологий. Целесообразно оценить использование Интернет в учебном процессе с точки зрения реализации научной компоненты.

На первый взгляд может показаться, что все виды студенческой науки вполне реализуемы. Однако стоит оценить качество научной деятельности высшего учебного заведения в условиях Интернет-обучения.

Существуют различные методы оценки качества научной деятельности вузов. Российский подход к оценке качества научных исследований включает анализ научной деятельности университета по следующим показателям:

- Основные научные направления

- Научные школы

- Участие в выполнении научных работ по конкурсам и грантам

- Публикация научных статей, монографий, учебников и учебных пособий, сборников научных трудов в российских и зарубежных изданиях.

Очевидно, что традиционная российская методика оценки качества научной деятельности высших учебных заведений не предусматривает использование критериев качества для сравнения вузов.

В российской образовательной среде существуют и другие подходы к решению проблемы оценки качества научных исследований. Академик из Международной Академии Ноосферы предлагает использовать такие показатели, как индексы востребованности работ, среднемесячная творческая активность, общая фундаментальность, средняя цитируемость,…

В США на регулярной основе ведется анализ программ докторских исследований, учитывается размер, структура и качество докторских работ.

Принимается во внимание голосование дипломированных специалистов относительно академического качества программ подготовки специалистов и эффективности докторских программ в подготовке научных исследований.

Информация полученная в процессе анализа программ докторских исследований очень полезна для администраторов образования, университетских факультетов и студентов, ищущих достоверную информацию о докторских программах.

Сектор управления высшим образованием Национального Совета Исследования в США заинтересован в регулярном изучении качества докторских исследований в академических учреждениях. Сегодня отрабатывается методология оценки качества научных исследований, ставится задача совершенствования используемых методов. Созданы четыре рабочие группы:

- Группа оценки репутации и представления данных. Результатом работы группы является оценка академической репутации исследований с учетом «эффекта ореола», размера программ и числа участников, количества критических упоминаний о программах, а также рекомендации для альтернативных способов оценки репутации.

- Группа таксономии и междисциплинарных программ.

- Группа количественной оценки. Основная задача этой группы заключается в определении показателей академической состоятельности образовательной среды, факультета и студентов. Поиск эффективных методов сбора данных также является задачей этой группы.

- Группа оценки студенческих результатов. Эта группа анализирует показатели влияния образовательной среды на качество подготовки специалистов.

С точки зрения методологии оценки качества научных исследований работа этих четырех групп в основном охватывает весь спектр возможных подходов и заслуживает внимания.

По мнению американских специалистов, качество научных исследований закладывается уже в процессе подготовки и формулирования исследовательских предложений. Улучшению качества исследовательских предложений в США придают особое значение.

Заслуживает внимания подход основанный на двух уровнях оценки: национальном и международном. В соответствии со шкалой характеристик, используемых в Великобритании для оценки качества НИР в вузе, оценка 5* соответствует высоким достижениям качества научной деятельности вуза на международном уровне. Такая оценка выставляется учебному заведению, если более 50% исследований выполнены в соответствии с международными требованиями качества и остальные соответствуют национальным стандартам. Всего рассматривается семь категорий оценки. Качество исследовательской деятельности не удовлетворяющее никаким требованиям даже национального уровня получает оценку 1.

В международной практике заслуживают внимания методики, использующие оценку влияния результатов научных исследований на качество подготовки специалистов. Есть проблемы количественной оценки этой взаимосвязи.

Реализация международных научных программ в условиях открытого образования предполагает обеспечение интероперабельности и стандартизацию ведения научных исследований. Данное направление разработки методики обеспечения качества научных исследований в условиях Интернет-обучения на наш взгляд является наиболее перспективным.

Литература:

1.  Организация научно-исследовательской деятельности студентов в вузах России. М. 2002Г., ГУУ.

2.  http://www. aladjev. newmail. ru/

3.  http://www7.nationalacademies. org/resdoc/

4.  http://www. lboro. ac. uk/departments/cv/wedc/garnet/actiwp2.html

Knowledge Control in Educational Process of Higher Educational Institution Based on Neuronetworking Technologies

Shirshov E. V.

Arkhangelsk State Technical University, Arkhangelsk

Abstract

Technique of knowledge control and application of adaptive teaching system in the educational process of higher educational institution based on neuronetworking technologies is analyzed.

Контроль знаний в учебном процессе вуза на основе нейросетевых технологий

Архангельский государственный технический университет

Одним из актуальных направлений развития науки в настоящее время является интеллектуализация информационных технологий. Специалист, применяя компьютерные технологии, может не только получать сведения на основе обработки данных, но и использовать по интересующей его проблеме накопленный опыт и знания профессионалов.

Рассматривая современный учебный процесс можно отметить, что при резком увеличении объема информации усложняется основная задача преподавателя – управление обучением с использованием обратной связи на основе детальной диагностики знаний и умений обучаемых, выявления причин возникновения ошибок и разработки способов их устранения.

Наиболее важным свойством человеческого интеллекта в существующих условиях является способность принимать правильные решения в обстановке неполной и нечеткой информации. Построение моделей приближенных рассуждений человека и использование их в компьютерных системах представляет сегодня одну из важнейших проблем науки.

Нечеткое управление (рассматривая систему передачи знаний «преподаватель – студент» в образовательном процессе вуза) оказывается особенно полезным, когда технологические процессы являются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. Нечеткая логика, в основном, обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности [1].

Очевидно, что решение специальных задач требует специальных знаний. Поэтому, основной целью создания адаптивной обучающей системы (АОС), разрабатываемой на кафедре Автоматизации обработки экономической информации является повышение эффективности учебного процесса за счет оптимизации способа обучения, так как он определяется преподавателем достаточно субъективно, а значит и не всегда эффективно. В качестве критерия эффективности мы рассматриваем глубину усвоения предмета обучаемым, полноту и прочность полученных им знаний, уровень изученности теоретического материала и приобретения практических навыков.

Для оценки выбранных параметров, весь теоретический материал разбивается на отдельные дидактические элементы (карточки), по каждому из которых составлены контрольные вопросы (тест), отражающие степень усвоения студентом полученных знаний.

Результаты тестирования служат исходными данными для системы анализа эффективности обучения, ядром которой является искусственная нейронная сеть. Выбор данного инструмента анализа объясняется его исключительно богатыми возможностями, и в частности изначально нелинейной природой формируемых моделей, что как нельзя лучше подходит для процессов обучения.

Первым шагом является выбор соответствующей модели поставленной задачи. Рассмотрим подробнее процесс проектирования искусственной нейронной сети (ИНС), который состоит из двух этапов:

- выбор типа (архитектуры) сети;

- подбор весов (обучение) сети.

На первом этапе следует выбрать следующее: какие нейроны будут использоваться (число входов, передаточные функции); каким образом следует соединить их между собой; что взять в качестве входов и выходов сети.

Наиболее популярные и изученные архитектуры – это многослойный персептрон, нейросеть с общей регрессией, сети Кохонена и другие.

На втором этапе следует «обучить» выбранную сеть, т. е. подобрать такие значения ее весов, чтобы сеть работала нужным образом. В используемых на практике нейросетях количество весов может составлять несколько десятков тысяч, поэтому обучение – сложный процесс. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса сети определенным образом.

В результате тестирования мы остановились на многослойном персептроне, как наиболее подходящей архитектуре сети при заданных условиях эксперимента. Многослойный персептрон характеризуется расположением нейронов на разных уровнях в многослойной сети, причем, помимо входного и выходного слоев, имеется еще, как минимум, один внутренний, т. е. скрытый, слой [2].

Учитывая, что выходные сигналы, формирующиеся скрытыми и выходными нейронами, лежат в интервале их активационных функций, необходимо таким образом нормализовать входные сигналы, чтобы они принадлежали области значений активационной функции, которая для выбранной структуры нейронной сети принадлежит интервалу [0, 1].

В качестве выхода искусственной нейронной сети может выступать любой критерий оценки знаний, принятый в процессе обучения.

Для обучения нейронной сети использовался один из самых распространенных алгоритмов обучения – алгоритм обратного распространения ошибки (back propagation), с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойной нейронной сети. Принятый алгоритм обучения нейронной сети с помощью процедуры обратного распространения ошибок подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных также и целевые выходные образы (алгоритм, пользующийся подобной концепцией, иначе называют алгоритмом обучения с учителем). Для его успешного функционирования необходимо наличие эксперта, определяющего на предварительном этапе критерии алгоритма обучения нейронной сети, такие как количество эпох, минимальные уровни ошибок и т. п.