Web-система для адаптивной генерации тестов на основе фактов лекционного контента с функцией оценивания
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
?дировок. Скорость решения задач и число ошибок - разогрев.
Если "работоспособность человека" отложить на оси времени, то получится периодическая кривая (рис.1.2.2).
Рис.1.2.2 График работоспособности человека.
Если посадить рядом двух человек, дать им серию одинаковых простых задачи измерить работоспособность как время решения простой задачи (чем меньше, тем выше) и число ошибок (чем меньше, тем выше), то с высокой вероятностью мы получим две различные кривые. Если строить кривые разогрева для разных людей, то полученное семейство кривых будет иметь четыре "кривые сгущения". Соотношение "кривых сгущения показано на рисунке 1.2.3 Эти кривые нам знакомы. Их другое название - "четыре темперамента" [7].
Если же наложить четыре разогрева на три формы представления информации в человеческом мозге в ограниченном времени урока, то получится следующий результат:
.Двенадцатая часть учащихся совпала с педагогом по разогреву и кодировке. Она - в очень выгодных условиях.
2.Половина учащихся не совпала с учителем ни по разогреву, ни по кодировке. Она - в очень невыгодных условиях.
.Остальные пять двенадцатых совпали с учителем либо кодировке, либо по разогреву (но не по двум показателям вместе). Они в не очень выгодных условиях.
Рис.1.2.3 Кривые сгущения.
Таким образом, система обучения хорошо работает только на одной двенадцатой класса. То есть ее КПД = 8, (3) %. Если в классе 36 учеников, то это 3 ученика. Обратите внимание на то, что при смене учителя "способными"станут другие три ученика, а прежние три способных окажутся неспособными [8].
Поэтому очень важно при тестировании студента помимо ведущего модуля кодировки, отвечающей за способ хранения и обработки, знать еще его кривую разогрева - это поможет лучшим образом выявить уровень его знаний. Например, холерику задавать сначала более сложные задачи, а меланхолику - наоборот.
1.3 Анализ существующих Web-систем для обучения и тестирования
Обучение через глобальную сеть в настоящее время является одним из важных направлений в области разработки обучающего программного обеспечения. Преимущества использования Web для обучения очевидны - это независимость обучаемых от географического местоположения и независимость программы от платформы. Приложение, установленное и поддерживаемое в одном месте, может использоваться тысячами обучаемых по всему миру, имеющих компьютер с подключением к сети Internet. За последние несколько лет появилось множество Web курсов и других обучающих приложений, однако, их главная проблема заключается в том, что они лишены интеллектуальности - большинство из них являются просто сетью статичных гипертекстовых страниц.
Адаптация исключительно важна для обучения в Web, по меньшей мере, по двум основным причинам. Во-первых, Web-приложение используется огромным числом совершено различных пользователей, поэтому Web приложения, спроектированные для определенного класса пользователей (как зачастую это делается при проектировке локальных приложений), могут не подойти другим пользователям. Во-вторых, во многих случаях пользователь работает один на один с Web наставником или курсом" и не может получить помощь, которую адаптивно предоставляют коллеги и учителя в обычном классном помещении [9].
Обучающие адаптивные системы (ОАС) в Web являются наследниками двух более ранних разновидностей ОАС: интеллектуальных обучающих систем (ИОС) и адаптивных гипермедиа систем. ИОС используют знания о предметной области, об обучаемом и стратегиях обучения для поддержки гибкого индивидуализированного изучения и обучения. Адаптивные гипермедиа системы - более новая область исследований. Данные системы применяют различные виды моделей пользователя для адаптации содержания и связывания гипермедиа страниц. С системной точки зрения современные АОС могут рассматриваться просто как ИОС или адаптивные гипермедиа системы реализованные в Web. Однако контекст WWW дает серьезный импульс для проектирования и реализации этих систем, заставляет нас относить их в отдельный подкласс.
Рабочий семинар Адаптивные системы и моделирование пользователя в WWW" [10] показал, что существующие адаптивные Web системы могут быть разделены на три группы: адаптивные информационные системы, которые служат для персонализации информации в режиме on-line, например, AVANTI (Fink, Kobsa&Schreck) или PUSH (Heek); адаптивные фильтрующие системы, которые помогают пользователю находить релевантные просмотры в океане доступной информации, например, ifWeb (Asnicar&Tasso) или WebTagger&trade (Kelleretal.); и обучающие адаптивные системы. ОАС самая большая группа: больше половины существующих адаптивных систем в Web являются ОАС. Во-первых, края между этими группами очень неясные. Информационная on-line система, такая как энциклопедия, которая используется для обучения (Signore, Bartoli&Fresta) или адаптивная фильтрующая система, применяемая в образовательном контексте (Nomotoetal.), могут быть классифицированы как ОАС. Во-вторых, ОАС объединяет очень много типов различных систем, по сравнению со второй группой, поэтому больше исследователей из разных областей проявляют интерес к работе над ними. И наконец, разработчики ОАС могут полагаться на технологии (и даже компоненты) использованные и одобренные в более ранних локальных ИОС и адаптивных гипермедиа системах. Многие из существующих ОАС в Web, например, такие как ELM-ART, CALAT, WITS и Belvedere, были разработаны на базе более ранних ИОС.
В настоящее время в