Среди проблем дистанционного образования особое место занимает проблема автоматизации контроля знаний. Контроль знаний или тестирование – это процесс, проводимый с целью определения уровня знаний. Уровни знаний обычно дискретизируются. При таком подходе, тестирование может рассматриваться как некоторый диагностический процесс, а состояния, характеризующие оценки знаний испытуемого, — как диагностические состояния. Учитывая многолетний положительный опыт, накопленный в сфере технического диагностирования (радиоэлектронной аппаратуры), мы сочли целесообразным его использование при создании автоматизированных средств контроля знаний.

Нахождение объекта испытаний в одном из состояний e_i может быть установлено в процессе тестирования с определенной степенью вероятности P(e_i), и чем выше указанная вероятность, тем более эффективным можно считать процесс испытаний. Испытания включают в себя выполнение испытуемым ряда тестовых заданий различной сложности, называемых проверками p. Каждая проверка p_k должна завершиться одним из исходов q_jk. Простейшие проверки, имеющие всего два исхода, соответствующие правильному или ошибочному ответам, назовем бинарными. Если испытуемый в действительности имеет уровень знаний, оцениваемый состоянием e_i, то при корректно сформулированных вопросах проверок, значение апостериорной вероятности P(e_i) должно после каждой проверки возрастать, в то время как значения вероятностей, соответствующие остальным состояниям, убывать.

Каждая проверка p_k однозначно характеризуется матрицей условных вероятностей с элементами P(q_jk/e_i). Эти элементы определяют вероятности получения исхода q_jk при условии, что испытуемый имеет уровень знаний, соответствующий оценке e_i. Значения указанных условных вероятностей определяются либо на основании экспертных оценок, либо могут быть вычислены, исходя из алгоритма решаемой тестовой задачи. Эти значения не зависят от очередности проведения проверок и представляют вероятностную модель проверки p_k.

После завершения цикла тестирования, заключающегося в последовательном проведении ряда проверок, сформируется окончательное распределение апостериорных вероятностей P(e_i), характеризующее действительное состояние объекта тестирования. Поскольку состояния e_i представляют собой полную систему событий, остальные значения апостериорных вероятностей (при условии роста одной из вероятностей) должны уменьшаться. За действительное состояние испытуемого принимается то, которое соответствует наибольшему значению апостериорных вероятностей.

Особое внимание при разработке системы дистанционного контроля знаний было уделено созданию среды для подготовки разнотипных тестовых заданий, адаптированных для использования в различных предметных областях. Представляется возможным создание классификации тестовых заданий, используемых в системе. Наиболее простым типом проверки является бинарная проверка, описанная выше. В качестве исходов более сложных проверок, (содержащих большее количество элементов выбора или алгоритм получения правильного ответа и т.п.), удобно использовать количество ошибок, допущенных при ответе испытуемого. В качестве примера можно привести проверку знаний при решении квадратных уравнений или проверку на знание грамматики иностранного языка. Ошибки в подобных задачах могут накапливаться на разных этапах решения и учитываться в рамках одной проверки. При ответе, каждый из элементов выбора на любом этапе находится либо в выбранном, либо в невыбранном состояниях. Это позволяет рассматривать каждый из элементов выбора как двоичную переменную. Таким образом, исходы проверки предстают как некоторые логические функции элементов выбора. Такой подход к формированию тестовых заданий обеспечивает дополнительную гибкость системы контроля и оценки знаний.

От очередности выбора тестирующих проверок, предлагаемых испытуемому, существенно зависит длительность процесса испытаний, которая определяется числом проверок, необходимых для достижения значения одной из апостериорных вероятностей P(e_i) заданного порогового уровня. Предлагается выбор очередной проверки производить исходя из её информативности. При заданных значениях априорных вероятностей P(e_i), предшествующих очередной проверке, каждая из проверок обладает некоторой информативностью. Из множества проверок, в качестве очередной, выбирается наиболее информативная. По результатам ее проведения уточняются апостериорные вероятности P(e_i), которые затем принимаются за исходные, при проведении последующей проверки. Подобный метод выбора очередной проверки (в зависимости от результатов проведения предыдущих проверок) характеризует интеллектуальные способности разработанной системы тестирования.

В проекте был поставлен акцент на минимизацию аппаратных требований. Для реализации внутреннего (в окне броузера) интерфейса используются HTML страницы, представляющие собой код разметки. Для формирования этой страницы используются скрипты РНР. Так как система оперирует достаточно большими объёмами информации, целесообразно хранить информацию в базе данных, доступ к которой осуществляется с помощью СУБД MySQL. Для создания и редактирования тестовых заданий дополнительно разработана специальная подпрограмма, реализованная на языке программирования Delphi5.

Литература

1. Б.Я. Лихтциндер. Направленное диагностирование по критерию максимальной информационной производительности. // Тезисы республиканской НТК, Житомир, 1991г.
2. Б.Я. Лихтциндер. Применение методов направленного диагностирования при машинном контроле знаний. // Материалы НМК ПИИРС, Самара,1993г.

обсудить на форуме написать автору

Сервер поддерживается фирмой НПП "БИТ про" и Московским центром Федерации Интернет Образования