Математическое моделирование и разработка комплекса программ дуальной адаптированной обучающей системы

• Автор: Халед Каид Шафель Али
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Казань
• Количество страниц: 227 с. : ил.

Оглавление
Введение

Глава I. Математические модели обучения и тестирования знаний

1.1 Математические модели процесса обучения в адаптивных обучающих системах.

1.2 Классификация компьютерных средств обучения

1.3 Современные представления о классификации психических типов личности

Глава II. Методы и инструменты исследования моделей

обучающих систем

.1 Дискретные модели адаптивных систем обучения

.2 АОС как система взаимодействующих конечных автоматов

.3 Символьный верификатор моделей МийМУ.

.4 Разработка методов графической обработки данных
Глава III. Разработка математической модели процесса
обучения
III. 1 Исследование стандартной модели АОС в форме конечных автоматов
III.2 Модифицированная стандартная модель АОС со статической функцией обучения.
Оглавление
1.3 Модель, учитывающая психологический фактор заинтересованности учащихся
1.4 Модель с учетом влияния предыдущего уровня УЗ и
падения заинтересованности.
1.5 Модель, учитывающая структурированность учебного
материала
1.6 Математическое моделирование психологических типов . .
1.7 Математическая модель ДАОС в режиме i
Глава IV. Разработка и реализация дуальной адаптивной обучающей системы
IV. 1 Структура электронных учебных материалов для ДАОС .
IV.2 Разработка подсистемы тыотора для ДАОС.
IV.3 Основные элементы базы данных ДАОС.
IV.4 Архитектура дуальной адаптированной обучающей системы
IV.5 Начальные условия тестирования
IV.6 Процесс обучения
IV.7 Итоговый результат
IV.8 Преимущества программного комплекса ДАОС
Заключение
Список литературы


Н. и Попова С. В. [] алгоритм функционирования обучаемого рассматривается как поэтапный процесс перевода информации, представленной в материальной или виртуальной форме из внешнего плана во внутренний, умственный, план. X п- темп подачи информации на последнем занятии [бит/с]; Хп - темп подачи информации на следующем занятии [бит/с]; Vy3 - прогнозируемое значение clQr/di или dk/di R - коэффициент. Леонтьев Д. П., Логвинова Н. Глава I. Пк - элемент диагностической матрицы, состоящей из единиц и нулей, который показывает результат ответа п - ым студентом на к- ый элемент дозы задания: йпк = 0, (0 - не усвоил, 1 - усвоил); У* - весовой коэффициент, отражающий объем и сложность информации в к - ом элементе дозы задания. С помощью этой гипотезы в [] строится математическая модель обучения, в которой вычисляются различные параметры процесса обучения. В работе Рыженкова Д. При этом невыполненная часть плана подготовки пересматривается с учетом необходимости повторного изучения того или иного раздела или группы разделов. Таким образом, реально выполненный учебный план, Р(х, Х2, Х2, Хз, Хь, Х4, Х7, Хб, . К отдельному направлению исследования в области математического моделирования процесса обучения можно отнести работы по созданию математических моделей памяти человека. Присияков В. Ф. и Приснякова Л. М. [] предлагают математическую модель переработки информации памятью. Ими проанализировано влияние алфавита сигналов и темпа подачи информации на объем памяти. Показано, что теоретическая формула для определения времени реакции человека включает известные эмпирические формулы. Предложено более общее уравнение между раздражением и ощущением. Рассмотрим теперь существующие классификации математических моделей обучения. Процесс построения модели, т. В основе моделирования, как мы уже отмечали выше, лежит модель, имеющая соответствие, основанное на общем качестве, реальному объекту. Объективно реальный объект обладает некоторой формальной структурой, поэтому для любой модели характерно наличие структуры, соответствующей формальной структуре реального объекта, либо изучаемой стороне этого объекта. В процессе изучения модель выступает в роли относительно самостоятельного квазиобъекта, позволяющего получить при исследовании некоторые знания о самом объекте [, ]. В работах [, ], прежде всего можно выделить два больших класса математических моделей - параметрические и непараметрические. Параметрические модели подразумевают набор параметров для описания заданий, что накладывает дополнительные ограничения на сами задания. Статистическая независимость заданий - общая вероятность получения того или иного набора ответов (хь . Хх. Х^) может быть выражена как произведение частных вероятностей. Непрерывность - Т является вещественным числом, или арифметическим вектором на множестве вещественных чисел (т. Эти три ограничения являются базовыми и характерны как для непарамст-рических, так и для параметрических моделей. Р(Т > ? Я = с) < Р(Т > ЦЯ = к), (У? Ус. Глава I. Я - число правильных ответов, Т - уровень подготовленности. Другими словами, в любой модели, удовлетворяющей трем базовым ограничениям, первичный балл можно использовать для ранжирования тестируемых но уровню подготовленности (при достаточной длине теста). В непараметрических моделях подготовленность оценивается по дискретной шкале, а в качестве математического аппарата используется нелинейная регрессия. Непараметрические модели могут применяться там, где экспериментальные данные не удовлетворяют ограничениям выбранной параметрической модели. В параметрических моделях тестовые задания описываются с помощью набора параметров (трудность, различающая способность и т. Базовой считается одпонараметрическая модель, разработанная Г. Рашем в г. В рамках этой модели задания характеризуются только одним параметром - трудностью. Достоинство модели Раша - аддитивность, т. Вместе с тем модель Раша требует наиболее тщательного подбора заданий, так как налагает жесткие ограничения на форму характеристических кривых.