Новые образовательные стратегии в современном информационном пространстве

New Educational Strategies in Modern Information Space - 2022

Ru
En

Снегурова В.И.

РГПУ им. А. И. Герцена,

Университет ИТМО

г. Санкт-Петербург

Готская И.Б.

РГПУ им. А. И. Герцена,

Университет ИТМО

г. Санкт-Петербург

Пиотровская К.Р.

РГПУ им. А. И. Герцена,

г. Санкт-Петербург

 

Кейсы по математике для системы компьютерного диагностического адаптивного тестирования

 

В статье обосновывается необходимость создания систем компьютерного диагностического адаптивного тестирования, рассматривается их функционал, а также подходы к разработке кейсов по математике для наполнения таких систем.

 

Snegurova V.I.

HSPU

St. Petersburg, Russia

Gotskaya I.B.

HSPU

St. Petersburg, Russia

Piotrowska X.R.

HSPU

St. Petersburg, Russia

 

Mathematics cases for computer diagnostic adaptive testing system

 

The article substantiates the need to create systems for computer diagnostic adaptive testing, discusses their functionality, as well as approaches to the development of cases in mathematics for filling such systems.

 

Развитие адаптивного обучения, компьютерного адаптивного тестирования (КАТ) рассматриваются большинством зарубежных и российских исследователей как один из трендов современного и перспективного этапа цифровой трансформации образования. За свою почти 70-ти летнюю историю (сам термин «адаптивное обучение» впервые появился в 1945 году, а появление идей адаптивного обучения неразрывно связано с зарождением программированного обучения (Б.Ф. Скиннер) и его дальнейшим развитием) теория и практика адаптивного обучения (в том числе и адаптивного тестирования) находилась в постоянном фокусе учёных: педагогов, психологов, социологов, ИТ-специалистов, переживая при этом периоды подъёма и спада. Развитие технологий электронного обучения в первой четверти XXI века инициировало интерес учёных к накопленному научному потенциалу по адаптивному обучению, что объясняется потребностью и проблемами в обеспечении индивидуализации и персонализации электронного и мобильного обучения.

 

КАТ занимает особое место в теории и практике адаптивного обучения, поскольку развитие этого направления ведёт не только к эффективности линейного компьютерного тестирования [7, 10, 11], но электронного и мобильного обучения в целом [1, 3, 6, 8]. Данные по результатам эмпирических исследований [9] свидетельствуют  не только о том, что применение КАТ позволяет уменьшить количество элементов и время тестирования без снижения точности измерений за счёт наличия функций настройки, что определяет гибкость современных КАТ, но  и позволяют улучшить валидацию, снизить нагрузку на тестируемых, повысить мотивацию обучающихся при обеспечении более высокой точности     измерений [9, 11].

 

Особое место в работах российских и зарубежных учёных занимает поиск различных подходов к созданию адаптивных тестов, среди этих подходов можно выделить:

  • варьирование уровня сложности по различным критериям [4, 6, 9, 10],
  • многоступенчатость [11],
  • многосегментность для достижения различных образовательных целей [7],
  • использование методов машинного обучения, что связано с активизацией развития технологий искусственного интеллекта [4, 5, 10].

 

Адаптивность тестов в абсолютном большинстве исследований достигается за счёт вариативности количества заданий и/или уровней их сложности. Однако перспективным направлением представляется разработка адаптивных тестов и систем КАТ на основе учёта преобладающих индивидуальных характеристик тестируемых (стилевых особенностей познавательной деятельности) [2]. Результаты апробации таких КАТ показали их высокий уровень привлекательности для обучаемых и повышение эффективности самого процесса тестирования.

 

Одновременно анализ российских и зарубежных исследований по проблемам разработки и применения адаптивных тестов и систем КАТ выявил, что большинство из них не предполагает выявление причин неуспешного выполнения тестовых заданий. Однако для системы общего образования выявление неусвоенного предметного содержания (как одной причин неуспеваемости) представляется одной из актуальных и важных задач.

 

Проводимые с 2019 года в РГПУ им. А.И. Герцена исследования подходов к созданию системы компьютерного диагностического адаптивного тестирования (СКДАТ), позволили выделить три функции, которые должна поддерживать такая система: диагностическая,

корректирующая, оценивающая. Основные функции системы показаны на рисунке 1.

Рисунок 1 – Основные функции системы компьютерного диагностического адаптивного тестирования (СКДАТ)

 

Задания проектируются в формате кейсов (или наборов кейсов), структура которого продемонстрирована на рисунке 2, каждый из которых включает два блока:

  • блок диагностики – одно задание, носящее комплексный характер, по результатам решения которого можно судить о сформированности сложного умения, и систему более простых заданий, умения решать которые абсолютно необходимы для решения исходного, комплексного задания;
  • блок обучения – набор теоретических сведений и примеров решения заданий, аналогичных диагностическим, а также набор тренажёров.

Рисунок 2 – Алгоритм выполнения кейса

 

Задания по выявлению умений, необходимых для решения исходного комплексного задания ранжируются по уровням в зависимости от сложности сформированных умений, что позволяет реализовать дополнительные эффекты адаптивности. 

Дополнительно адаптивность реализуется ранжированием заданий (диагностических и тренажеров) по уровням в зависимости от сложности сформированных умений, необходимых для решения заданий (Рисунок 3):

  • базовый (нулевой, самый высокий) уровень – умения решать задания, интегрирующие более простые умения;
  • первый уровень – более простые умения, которые необходимы для решения задачи нулевого уровня.
  • второй уровень – ещё более простые умения, которые необходимы для решения задачи 1-го уровня и т.д. до базовых знаний и умений.

Рисунок 3 – Общая структура кейса

 

Количество уровней определяется особенностями учебной дисциплины и самих заданий, например, для большинства заданий по математике достаточно будет третьего уровня, на котором уже возможно выделение элементарных умений.

 

Структура кейса по математике на примере заданий на решение логарифмического уравнения представлена на рисунке 4.

Рисунок 4 – Решение логарифмического уравнения

 

В данном примере элементарными умениями являются умения 1.1., 1.2., 1.3.1, 1.3.2., 1.4.1, 1.4.2, 1.5. и 1.6.

Как следует из структуры кейса, для каждого задания, носящего комплексный характер, и соответствующего ему умения в рамках каждой темы, 2выделяются вспомогательные, более простые умения и элементы теоретических знаний.

 

Алгоритм функционирования СКДАТ должен обеспечить:

  • предъявление несложных задач на выделенные умения;
  • затем, в зависимости от результатов решения простых заданий, предусмотреть:
  • переход к фрагментам учебного содержания;
  • решение задач тренажёра на отработку конкретных умений, несформированность которых явилась причиной невыполнения исходного тестового задания;
  • после выполнения всех вспомогательных заданий обеспечить:
  • предъявление заданий, аналогичных невыполненному или выполненному с ошибками и т.д.

 

Таким образом, СКДАТ позволит не только осуществлять диагностику, но и выстраивать индивидуальную траекторию по устранению ошибок, так как после диагностики каждому обучающемуся выдается индивидуальный, адаптированный к нуждам пользователя набор заданий для устранения пробелов в знаниях и умениях.

 

В настоящее время для проведения апробации разработанных кейсов и проектирования первой версии СКДАТ была выбрана нереляционная документальная база данных MongoDB, значимым преимуществом которой является удобство взаимодействия с платформами Node.js и Express.js, с помощью которых организуется слой пользовательского интерфейса. Слой инфраструктуры включает не только программную платформу, но и хостинг, а также облачную базу данных. Для хранения сценариев прохождения тестовых заданий и другой информации используется облачный хостинг MongoDB (Atlas).

 

Литература:

  1. Дьячук П.П., Шкерина Л.В., Шадрин И.В., Перегудина И.П. Динамическое адаптивное тестирование как способ самообучения студентов в электронной проблемной среде математических объектов // Вестник Красноярского государственного педагогического университета им. В.П. Астафьева. – 2018. – №1 (43). – С.48-59. – URL: https://www.elibrary.ru/contents.asp?id=34837273 (дата обращения: 21.03.2021). DOI: https://doi.org/10.25146/1995-0861-2018-43-1-40.
  2. Подходова Н.С., Орлова А.В., Снегурова В.И. Стилевые особенности учащихся как одно из оснований конструирования адаптивных тестов по математике // Письма в Эмиссия.Оффлайн (The Emissia.Offline Letters): электронный научный журнал. – 2020. – №10 (октябрь). – ART 2877. – URL: http://emissia.org/offline/2020/2877.htm (дата обращения: 02.02.2022).
  3. Симченко Н.Н., Аристанов А.А. Проектирование обучающей системы с адаптивным тестированием// Инновационная наука. – 2019. – №6. – С. 64-68. – URL: https://cyberleninka.ru/article/n/proektirovanie-obuchayuschey-sistemy-s-adaptivnym-testirovaniem/viewer (дата обращения: 02.02.2022).
  4. Choi Y, McClenen C. (2020). Development of Adaptive Formative Assessment System Using Computerized Adaptive Testing and Dynamic Bayesian Networks. Applied Sciences, 2020, 10(22):8196. URL: https://doi.org/10.3390/app10228196 (дата обращения: 02.02.2022).  DOI: 10.3390/app10228196.
  5. Delgado-Gómez D., Laria J.C., Ruiz-Hernández D. (2019). Computerized adaptive test and decision trees: A unifying approach //Expert Systems with Applications. March 2019, V.117. pp. 358-366. URL: https://www.sciencedirect.com/science/article/abs/pii/S0957417418306298 (дата обращения: 02.02.2022).  DOI: 10.1016/j.eswa.2018.
  6. Gomede E., Barros R.M., Mendes L.S. (2021). Deep auto encoders to adaptive E-learning recommender system//Computers and Education: Artificial Intelligence. 2021, V.2. URL: https://www.sciencedirect.com/science/article/pii/S2666920X21000035?via%3Dihub (дата обращения: 02.02.2022).  DOI: 10.1016/j.caeai.2021.100009.
  7. Kingsbury, G. Gage, Steven L. (2020). Wise. Three Measures of Test Adaptation Based on Optimal Test Information. Journal of Computerized Adaptive Testing, 2020, Vol 8, No 1. URL: http://iacat.org/jcat/index.php/jcat/issue/current (дата обращения: 02.02.2022).  DOI 10.7333/2002-0801001.
  8. Louhab F.E., Bahnasse A., Talea M. (2018). Considering mobile device constraints and context-awareness in adaptive mobile learning for flipped classroom Education and Information Technologies, 2018 (May), pp. 2607-2632. URL: https://link.springer.com/article/10.1007%2Fs10639-018-9733-3 (дата обращения: 02.02.2022). DOI: https://doi.org/10.1007/s10639-018-9733-3.
  9. Reckase M., Ju U., Kim S. How Adaptive Is an Adaptive Test: Are All Adaptive Tests Adaptive? (2019). Journal of Computerized Adaptive Testing, 2019, Vol 7, No 1. URL: http://iacat.org/jcat/index.php/jcat/issue/view/Volume%207%20Number%201 (дата обращения: 02.02.2022).  DOI: 10.7333/1902-0701001.
  10. Samsudin M. A., Som Chut T., Ismail M. E. (2019). Evaluating Computerized Adaptive Testing Efficiency in Measuring Students’ Performance in Science TIMSS. Jurnal Pendidikan IPA Indonesia (Indonesian Journal of Science Education). [S.l.], 2019, vol 8, № 4, pp. 547-560. URL: https://journal.unnes.ac.id/nju/index.php/jpii/article/view/19417 (дата обращения: 02.02.2022).  DOI: https://doi.org/10.15294/jpii.v8i4.19417
  11. Martin, A. J., Lazendic, G. (2018). Computer-adaptive testing: Implications for students’ achievement, motivation, engagement, and subjective test experience. Journal of Educational Psychology, 2018, 110(1), pp. 27–45. URL: https://psycnet.apa.org/doiLanding?doi=10.1037%2Fedu0000205. DOI: 10.1037/edu0000205 (дата обращения: 02.02.2022). http://ceur-ws.org/Vol-2770/paper21.pdf

Оставить комментарий: