Россия
Вопрос эффективной проверки качества знаний обучающихся является актуальным и значимым в сфере образования. Необходимо совершенствовать практику оценивания знаний обучающихся с целью достижения максимального качества и эффективности. Однако процесс образования должен быть не только эффективным, но и максимально адаптированным под каждого обучающегося. В работе представлена система оптимизации проверки качества знаний обучающихся в зависимости от их личностных особенностей. Данная задача будет решена на основе интеллектуальных методов моделирования, оптимизации и принятия решений. В качестве одного из способов проверки качества знаний выбрана контрольная работа, выполняемая как индивидуально, так и в малых группах. Вопросу оптимального распределения обучающихся для работы в группах или индивидуально и посвящена данная статья. Разработанная адаптивная система осуществляет оптимизацию на основе нескольких критериев оптимальности и с учетом нормализованных личностных характеристик обучающихся. В качестве метода оптимизации выбран генетический алгоритм, хромосомы которого кодируются в соответствии с личностными особенностями обучающихся. Определены лучшие варианты сочетания личностных качеств обучающихся при разбиении на группы. Получены парето-оптимальные множества для многокритериальной целевой функции с учетом коэффициентов важности критериев. Разработанная система позволит не только сократить временные затраты преподавателя на процесс разбиения на группы, но и сделать этот процесс наиболее эффективным для обучающихся благодаря учету их личностных качеств.
проверка качества знаний, многокритериальная оптимизация, генетический алгоритм, множество Парето, система принятия решений
1. Курапова Т.Ю. Критерии успешности обучения учащихся общеобразовательных школ // Психология в России и за рубежом : материалы I Междунар. науч. конф. - СПб. : Реноме, 2011. - С. 106-109. - URL: https://moluch.ru/conf/psy/archive/32/1092/ (дата обращения: 27.01.2022).
2. Bakoush M. Evaluating the role of simulation-based experiential learning in improving satisfaction of finance students // The International Journal of Management Education, 20 (3), 100690.
3. Dogadina, E.P.; Smirnov, M.V.; Osipov, A.V.; Suvorov, S.V. Formation of the Optimal Load of High School Students Using a Genetic Algorithm and a Neural Network. Appl. Sci. 2021, 11, 5263.
4. Fredriksdotter H., Norén N., Bråting K. Investigating grade-6 students’ justifications during mathematical problem solving in small group interaction // The Journal of Mathematical Behavior, 2022, 62, 100972.
5. Guarino A., Malandrino D., Zaccagnino R. Adaptive talent journey: Optimization of talents’ growth path within a company via Deep Q-Learning // Expert Systems with Applications, 2022, 209, 118302.
6. Luo X., Sun Y., Liu Y. Course timetable optimization for a university teaching building considering the building energy efficiency and time-varying thermal perception of students // Building and Environment, 2022, 219, 109175.
7. Rashid M., Mathew J., Raja K. Optimization of backpack loads using gait parameters in school boys // Journal of Bodywork and Movement Therapies, 2020, 25, pp. 174-182.
8. Xu Y., Yan Ch., Jiang Y. A three-stage optimization method for the classroom envelope in primary and secondary schools in China // Journal of Building Engineering, 2022, 52, 104487.
