КЛАСТЕРНЫЙ АНАЛИЗ В СТРУКТУРЕ ИНФОРМАТИЗАЦИИ ДИДАКТИЧЕСКОГО ПРОЦЕССА
Введение
Интеграция педагогических и информационных технологий - одна из тенденций развития педагогической науки и пpaктики. Известно, что технология хаpaктеризуется тремя аспектами - информационным, инструментальным и социальным. Анализ научно-методической литературы и педагогической пpaктики показал, что в настоящее время недостаточно разработан информационный аспект педагогических информационных технологий, т.е. методы обработки информации в педагогическом управлении. По-прежнему в большинстве случаев и прогнозирование учебных достижений обучающихся, и принятие педагогических решений для коррекции дидактического процесса происходит умозрительно. Проблема исследования заключается в вопросе: какие математические методы обработки информации позволят автоматизировать прогнозирование учебных достижений обучающихся и принятие педагогических решений? Цель исследования - изучить роль кластерного анализа данных в процессе интеграции педагогических и информационных технологий.
Методы исследования
Под кластерным анализом понимают разбиение совокупности объектов на непересекающиеся подмножества (кластеры) с целью выделения групп схожих объектов. Кластеризация возможна как по количественным параметрам, так и качественным.
Результаты исследования
С точки зрения авторов, научно обоснованное прогнозирование учебных достижений обучающихся и принятие точных педагогических решений возможно только на основе кластеризации обучающихся. Ее следует производить на основе количественных показателей, отражающих как результаты учебной деятельности обучающихся, так и ее факторы (их можно получить в результате пропедевтического контроля и т.д.).
Ранее авторами статьи была разработана методика матричного моделирования сложных педагогических систем, основанная на получении матрицы вероятностей взаимосвязи между переменной-фактором и переменной-откликом. Обобщим данную методику.
Пусть S - набор прогнозируемых параметров (т.е. результатов учебной деятельности обучающихся), К - множество обучающихся. Тогда (при этом ), где N - число кластеров (групп обучающихся, схожих по выбранным параметрам). Необходимо помнить, что педагог может проводить дидактический процесс в нескольких учебных или академических группах. В этом случае , где L - количество учебных (академических) групп, Gi - множество обучающихся в I-й группе. Очевидно, что следует различать академические и кластерные группы. Например, обучающиеся одной кластерной группы могут принадлежать различным академическим группам (и наоборот).
По своей сути, S - многомерный вектор прогнозируемых параметров (D - их число, или размерность вектора). Для каждого параметра Si ( ) производят разбиение диапазона его возможных значений на непересекающиеся поддиапазоны. Множество числовых значений каждого поддиапазона принимают за квантованное значение переменной Si. Тогда конкретное значение многомерного вектора S составит комбинация квантованных значений составляющих его переменных.
Формируют матрицу вероятности, строками которой являются кластеры обучающихся, столбцами - комбинация прогнозируемых параметров для кластера. Пересечение строки и столбца отражает вероятность того, что для I-й кластерной группы набор прогнозируемых параметров примет j-е значение (обозначим ). Очевидно, что . Информационная энтропия (неопределенность) прогноза для I-го кластера .
Основные факторы уменьшения энтропии прогноза - сужение кластеров (это означает увеличение их количества) и сбор как можно большего объема информации о поведении объектах, относящихся к данному кластеру (информацию об обучающихся, факторах и результатах их учебной деятельности следует хранить в базе данных).
Возникает первый вопрос: каким образом формировать кластерные группы, т.е. выделять схожие объекты? Предложенный алгоритм состоит в следующем. Выделяют набор переменных W (пусть их число равно Q), по которым будут производить кластеризацию обучающихся (может не совпадать с S). Значения всех переменных путем расчетов преобразуют в условные баллы по R-балльной шкале (методы такого преобразования ранее были описаны авторами). Пусть εi - значимость (вес) I-го показателя ( ), при этом . Тогда расстояние в фазовом прострaнcтве (прострaнcтве признаков) между обучающимся (1) и обучающимся (2) составит , где и - соответственно значение (в баллах) I-го параметра для обучающегося (1) и обучающегося (2). Данных обучающихся относят к одному кластеру, если , где Δ - наперед заданное число, зависящее от рода задачи и необходимой точности ее решения.
Возникает второй вопрос: какие переменные следует отбирать во множество W - латентные (т.е. интегральные показатели) или индикаторные (т.е. дифференциальные показатели)? Ответ на данный вопрос во многом зависит от рода задачи, но в большинстве случаев, безусловно, более целесообразно применение интегральных параметров. В теории и пpaктике физического воспитания это могут быть физические качества (сила, быстрота, гибкость, выносливость и ловкость), здоровье, мотивация к занятиям физической культурой и т.д. В профессиональном образовании это может быть обученность, компоненты профессиональной компетентности будущего специалиста и т.д.
Аналогичным образом применяют кластерный анализ при принятии педагогических решений. Для каждого кластера обучающихся педагог в процессе своей деятельности (зачастую многолетней) отбирает наиболее рациональные варианты принятых решений, накапливая их в базе знаний (разновидность базы данных). Это позволяет сократить время на принятие верных педагогических решений и сделать данный процесс оперативным.
Кластерный анализ позволит существенно улучшить проведение педагогического эксперимента (включая обработку его результатов). При этом контрольную и экспериментальную группы можно разбить на кластеры, для каждого из которых следует вычислять эффективность апробируемой педагогической технологии в соответствии с общеизвестной схемой ROXO. Это позволит выявить условия эффективности апробируемой технологии (для одних кластеров она может оказаться эффективной, для других - нет).
Следует отметить, что применение кластерного анализа в обучении (управлении процессом усвоения знаний) и физическом воспитании (управлении процессом физического развития) во многом сходны между собой. Наиболее существенное отличие состоит в том, что в теории, методике и пpaктике физического воспитания приходится учитывать, помимо количественных параметров, качественные показатели (например, пoлoвые особенности, наличие или отсутствие заболеваний и т.д.). В этом случае производят предварительное разбиение множества обучающихся на подмножества по качественным показателям, а образовавшиеся подмножества подвергают кластерному анализу по количественным параметрам.
Заключение
Применение математических методов обработки информации - необходимое условие выведения научно-методической и педагогической деятельности на новый уровень. Кластерный анализ должен стать неотъемлемым компонентом методической системы математизации и информатизации педагогической науки и пpaктики. Пpaктическое значение кластерного анализа состоит в том, что его применение позволит оптимально совместить фронтальный и индивидуальный подходы к обучающимся.
Статья в формате PDF 421 KB...
29 04 2024 1:17:31
Статья в формате PDF 647 KB...
28 04 2024 13:31:49
Статья в формате PDF 113 KB...
26 04 2024 9:35:12
Статья в формате PDF 105 KB...
25 04 2024 4:21:34
Статья в формате PDF 236 KB...
24 04 2024 15:24:44
На конкретных примерах показана возможность применения принципа «наследственное ядро – динамическое окружение» к составлению математических (статистических) моделей многомерных воспроизводственно-циклических экономических явлений и процессов. В статье ставятся две цели: во-первых, на примере распределения предприятий Германии [4] показать популяционные закономерности, то есть доказать схожесть распределения предприятий по численности рабочих с популяциями живых существ; во-вторых, показать модели социальной динамики по данным групп семейных бюджетов Швеции и дать математическое осмысление закона убывающей доходности Гутенберга. ...
23 04 2024 8:31:15
Статья в формате PDF 221 KB...
22 04 2024 11:15:22
Цели исследования: определить нормальную динамику показателей вариабельности ритма сердца в ответ на физиологическую нагрузку у мужчин и женщин. Дать клинико-физиологическую оценку показателей. Материалы и методы. Нами было обследованы 48 здоровых пациентов, из них 32 – мужчины, 16 – женщины. Средний возраст 46 (± 3,6) года. Исследование проводилось на комплексе суточного мониторирования ЭКГ «ДНК» с программой вариабельности сердечного ритма при проведении лестничных проб. Определяли: ЧСС ночью и на нагрузке, депрессию ST, параметры ОНЧ, НЧ, ВЧ, НЧ/ВЧ – как в покое, так и на нагрузке, SDNN и pNN50 за сутки. Результаты. Обнаружено, что на нагрузках значительно повышается мощность ОНЧ (на 80,4%, t – 2,6) и синнергично снижается мощность НЧ (на 72%, t – 1,7) и ВЧ (на 65%, t – 1,6). Пoлoвых различий не выявлено (t – 0,8). Заключение: показатель «ОНЧ» отражает реализацию синусовым узлом симпатических влияний. «ВЧ» отражают активность парасимпатической нервной системы (что соответствует литературным данным). Показатель «Низкие Частоты» не может служить маркером активности симпатической системы (как предлагается в литературе), а скорее отвечает за реализацию вагуса или иной тормозящей структуры. НЧ/ВЧ не может служить показателем вегетативного баланса. ...
21 04 2024 16:40:44
Статья в формате PDF 114 KB...
20 04 2024 20:40:48
Статья в формате PDF 100 KB...
19 04 2024 16:32:24
Статья в формате PDF 267 KB...
18 04 2024 14:19:15
В статье излагается позиция автора о необходимости максимально ответственно относиться к своему здоровью, исходя из объективных предпосылок нашего времени. ...
17 04 2024 0:18:25
Статья в формате PDF 125 KB...
16 04 2024 23:36:32
15 04 2024 22:27:50
Статья в формате PDF 100 KB...
13 04 2024 5:43:34
Статья в формате PDF 115 KB...
12 04 2024 17:30:25
Статья в формате PDF 357 KB...
11 04 2024 1:26:19
Статья в формате PDF 257 KB...
10 04 2024 22:37:21
Статья в формате PDF 267 KB...
09 04 2024 21:48:35
Статья в формате PDF 116 KB...
08 04 2024 14:57:18
Статья в формате PDF 112 KB...
07 04 2024 23:50:23
06 04 2024 3:45:29
Статья в формате PDF 268 KB...
05 04 2024 18:56:28
Статья в формате PDF 276 KB...
04 04 2024 2:11:45
Статья в формате PDF 100 KB...
03 04 2024 19:35:53
Статья в формате PDF 126 KB...
01 04 2024 3:55:45
Статья в формате PDF 338 KB...
31 03 2024 15:18:23
Статья в формате PDF 253 KB...
29 03 2024 23:51:45
Статья в формате PDF 111 KB...
28 03 2024 21:50:48
Статья в формате PDF 121 KB...
27 03 2024 1:10:55
В работе рассматривается влияние краткосрочной изоляции в течение пяти суток на поведение крыс в открытом поле. Показано, что у крыс, находящихся в изоляции, уменьшается время выхода из центра, снижается сумма дефекаций и уринаций. Показатели ориентировочно-исследовательской реакции при повторном тестировании изменялись одинаково у изолированных и групповых крыс. ...
26 03 2024 4:10:56
Статья в формате PDF 131 KB...
25 03 2024 9:28:56
Статья в формате PDF 127 KB...
24 03 2024 19:30:30
Статья в формате PDF 143 KB...
21 03 2024 21:48:47
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::