Preview

Информатика и образование

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

УПРАВЛЕНИЕ УСПЕШНОСТЬЮ ОБУЧЕНИЯ СТУДЕНТА НА ОСНОВЕ МАРКОВСКОЙ МОДЕЛИ

https://doi.org/10.32517/0234-0453-2018-33-10-4-11

Полный текст:

Аннотация

В статье предлагается модель прогнозирования успешности обучения студента. Модель представляет собой марковский процесс с непрерывным временем типа процесса «гибель-размножение». В качестве параметров процесса предлагаются интенсивности процессов получения и усвоения информации, причем интенсивность процесса усвоения информации учитывает отношение студента к изучаемому предмету. В результате применения модели можно для каждого студента определить вероятность заданной сформированности владения изучаемым материалом в ближайшей перспективе. Таким образом, при наличии автоматизированной информационной системы вуза реализация модели является элементом системы поддержки принятия решения всеми участниками учебного процесса. Приведенные в статье примеры являются результатами эксперимента, проведенного в Институте космических и информационных технологий Сибирского федерального университета в условиях смешанного обучения, т. е. в условиях, когда аудиторная работа сопровождается самостоятельной работой с электронными ресурсами.

Об авторах

М. В. Носков
Сибирский федеральный университет
Россия

доктор физ.-мат. наук, профессор, профессор кафедры прикладной математики и компьютерной безопасности Института космических и информационных технологий

660041, Россия, г. Красноярск, пр-т Свободный, д. 79



М. В. Сомова
Сибирский федеральный университет
Россия

инженер кафедры прикладной математики и компьютерной безопасности Института космических и информационных технологий 

660041, Россия, г. Красноярск, пр-т Свободный, д. 79



И. М. Федотова
Сибирский федеральный университет
Россия

канд. физ.-мат. наук, доцент кафедры прикладной математики и компьютерной безопасности Института космических и информационных технологий

660041, Россия, г. Красноярск, пр-т Свободный, д. 79



Список литературы

1. Уваров А. Ю. На пути к цифровой трансформации школы. М.: Образование и Информатика, 2018. 120 с.

2. Nilsson B. The state of personalized learning in the real world of education: Survey and Infographic. February, 2016. https://content.extremenetworks.com/extreme-networksblog/the-state-of-personalized-learning-in-the-real-world-ofeducation-survey-results-and-infographic

3. Personalized learning platforms // Eduvate RI, 2017. http://eduvateri.org/projects/personalized/personalizedlearningplatforms/

4. Pane J. F. What emerging research says about the promise of personalized learning // Brown Center Chalkboard. August 15, 2017. https://www.brookings.edu/blog/browncenter-chalkboard/2017/08/15/what-emerging-research-saysabout-the-promise-of-personalized-learning/

5. Шевченко В. А. Прогнозирование успеваемости студентов на основе методов кластерного анализа // Вестник Харьковского национального автомобильно-дорожного университета. 2015. Вып. 68. С. 15–18.

6. Каган Е. С., Мартынова Т. Н. Применение методов кластерного анализа и многомерного шкалирования для изучения мотивов профессионального обучения студентов вуза // Ползуновский вестник. 2005. № 3. С. 63–70.

7. Апатова В. А., Гапонов А. И., Майорова А. Н. Использование нечеткой логики для возможности прогнозирования успеваемости студентов // Информатизация образования и методика электронного обучения: Материалы II Международной научной конференции (г. Красноярск, 25–28 сентября 2018 года). В 2 ч. Ч. 1. Красноярск: СФУ, 2018. С. 102–106.

8. Hameed I. A., Elhoushy M., Osen O. L. Interval type-2 fuzzy logic systems for evaluating students’ academic performance // Communications in Computer and Information Science. 2017. Vol. 739. P. 420–441.

9. Коляда М. Г., Бугаева Т. И. Компьютерная реализация модели нечетких множеств для управления сложностью подачи учебного материала // Информатика и образование. 2017. № 2. С. 66–75.

10. Фетинина Е. В., Кораблина Т. В. Применение теории нечетких множеств в многовариантной технологии профориентации и адаптации обучения // Системы управления и информационные технологии. 2007. Т. 27. № 1. С. 95–101.

11. Luckin R., Holmes W., Griffiths M., Forcier L. B. Intelligence unleashed. An argument for AI in education. L.: Pearson, 2016. https://www.pearson.com/content/dam/corporate/global/pearson-dot-com/files/innovation/IntelligenceUnleashed-Publication.pdf

12. Faggella D. Examples of artificial intelligence in education. https://www.techemergence.com/examples-ofartificial-intelligence-in-education/

13. Маслякова И. Н. Модель процедуры обучения как марковского процесса // Обозрение прикладной и промышленной математики. 2011. Т. 18. № 1. С. 128.

14. Ивутин А. Н. Аналитическая петримарковская модель когнитивного процесса обучения в тренажерных системах // Известия Тульского государственного университета. Технические науки. 2013. № 9-1. С. 287–294.

15. Кирий В. Г., Чан Ван Ан. Об одной математической модели амбивалентной системы обучения неродному языку // Вестник Новосибирского государственного университета. Серия «Информационные технологии». 2010. Т. 8. Вып. 1. С. 45–53.

16. Сербин В. И. Определение параметров информационных процессов в автоматизированной обучающей системе // Вестник Астраханского государственного технического университета. 2012. № 1. С. 57–61.

17. Тестов В. А. Электронные технологии в обучении математике: Проблема понимания // Информатизация образования и методика электронного обучения: Материалы II Международной научной конференции (г. Красноярск, 25–28 сентября 2018 года). В 2 ч. Ч. 2. Красноярск: СФУ, 2018. С. 285–289.

18. Венцель Е. С., Овчаров Л. А. Теория случайных процессов и ее инженерные приложения. М.: Юстиция, 2018. 448 с.

19. Цибульский Г. М., Носков М. В., Барышев Р. А., Сомова М. В. Активная информационная система вуза в информационно-образовательной среде // Педагогика. 2017. № 3. С. 28–32.

20. Носков М. В., Сомова М. В. Прогнозирование сохранности контингента студентов на основе мониторинга текущей успеваемости в электронных обучающих курсах // Вестник Красноярского государственного педагогического университета им. В. П. Астафьева. 2014. № 3. С. 84–87.

21. Фаткуллин Н. Ю. Влияние ознакомления обучающихся с данными индивидуального прогнозирования на результаты их учебной деятельности // Вестник ЮУрГУ. Серия «Образование. Педагогические науки». 2016. Т. 8. № 4. С. 59–64.

22. Сомова М. В., Сомов Д. Ю., Иевлева А. В. Сервисы личного кабинета в активной информационной среде вуза // Сфера знаний: вопросы продуктивного взаимодействия наук в XXI веке. Казань: ООО «СитИвент», 2018. С. 202–207.

23. Вайнштейн Ю. В., Есин Р. В., Цибульский Г. М. Адаптивная модель построения индивидуальных образовательных траекторий при реализации смешанного обучения // Информатика и образование. 2017. № 2. С. 83–86.

24. Лобан А. В., Ловцов Д. А. Модель компьютерного обучения с использованием электронного образовательного ресурса нового поколения // Открытое образование. 2017. Т. 21. № 2. С. 47–55.

25. Мамонтов В. В. О сохранности контингента студентов и улучшении качества обучения в вузе // Международный научно-исследовательский журнал. 2017. № 07 (61). Ч. 1. С. 86–88.


Для цитирования:


Носков М.В., Сомова М.В., Федотова И.М. УПРАВЛЕНИЕ УСПЕШНОСТЬЮ ОБУЧЕНИЯ СТУДЕНТА НА ОСНОВЕ МАРКОВСКОЙ МОДЕЛИ. Информатика и образование. 2018;(10):4-11. https://doi.org/10.32517/0234-0453-2018-33-10-4-11

For citation:


Noskov M.V., Somova M.V., Fedotova I.M. MANAGEMENT OF THE SUCCESS OF STUDENT’S LEARNING BASED ON THE MARKOV MODEL. Informatics and education. 2018;(10):4-11. (In Russ.) https://doi.org/10.32517/0234-0453-2018-33-10-4-11

Просмотров: 134


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)