Исследование влияния индивидуальных личностных факторов студентов на результативность обучения по дисциплине «Информатика»
В.
В. СтепаньянБиблиографическое описание статьи для цитирования:
Степаньян
В.
В. Исследование влияния индивидуальных личностных факторов студентов на результативность обучения по дисциплине «Информатика» // Научно-методический электронный журнал «Концепт». –
2014. – № 3 (март). – С.
86–90. – URL:
http://e-koncept.ru/2014/14070.htm.
Аннотация. Статья посвящена оптимизации процесса обучения дисциплине «Информатика» на примере разработки модели для количественного анализа эффективности обучения. Автор на основании полученной математической модели рассматривает методики обучения с учётом индивидуальных личностных факторов студентов.
Текст статьи
Степаньян Владимир Владимирович,студент экономикотехнологического факультета НОУ ВПО «Международный инновационный университет, г. Сочиstep.wo@mail.ru
Исследование влияния индивидуальных личностных факторов студентов на результативность обучения дисциплине «Информатика
Аннотация. Статья посвящена оптимизации процесса обучения дисциплине «Информатикана примере разработки модели для количественного анализа эффективности обучения. Автор на основании полученной математической моделирассматривает методики обучения с учётом индивидуальных личностных факторов студентов.Ключевые слова: математическая модель, уравнения регрессии, коэффициент IQАйзенка, информатика.Раздел:(01) педагогика; история педагогики и образования; теория и методика обучения и воспитания (по предметным областям).
ВведениеПредлагается математическая модель для прогнозирования результативности обучения студентов дисциплине «Информатика с использованием метода и алгоритма компьютерной обработки ненормированных массивов числовых данных, разработанных доцентом В.П. Алексеевым [1]. Математическая модель представлена в виде полиномиального уравнения регрессии, позволяющего использовать его для последующего количественного анализа эффективности обучения указанной дисциплине в качестве целевой функции для оптимизации методики обучения с учётом индивидуальных личностныхфакторов студентов.Данную модель имеет смысл внедрить в учебный процесс.Формулировка проблемыФедеральные образовательные стандарты высшего профессионального образования (ФГОС ВПО) 3го поколения предъявляют высокие требования к компетенциям студентов, получаемымв ходе обучения. В последние годы контингент поступающих студентов имеет высокую степень дифференциации знаний по информатике в связисбольшим различием уровня преподавания в средних общеобразовательных учреждениях. Это противоречие решается путём рациональной организации учебного процесса с учётом индивидуальных личностных факторов студентов. Возникает проблема прогнозирования результативности обучения каждого студента в зависимости от этих факторов. По результатам прогнозирования можно вноситькоррективы в методику обучения с целью повышения уровня знаний.Цели освоения дисциплины информатики студентом–Формирование теоретических знаний, умений и практических навыков математического моделирования.–Выработка умений и практических навыков математического моделирования в различных отраслях, обеспечивающих решение широкого круга задач, в том числепрогнозирования важнейших макроэкономических показателей, динамического моделирования учебных систем, имитационного моделирования различных процессов, математического моделирования и др.
Компетенции обучающегося, формируемые в результате освоения дисциплиныВ результате освоения дисциплины студент должен:–знать теорию, исторические аспекты математического моделирования и современные направления математического моделирования;
–уметь разрабатывать математические модели с применением методов статистического анализа данных, имитационного моделирования экономических процессов и др.;
–иметь навыки использования математических моделей для прогнозирования и анализа динамики сложных экономических систем.
На основе подкорректированной методики можно значительно повысить образовательный уровень студентов по данному предмету.В результате освоения дисциплины студент приобретает следующие компетенции(табл. 1) [2].Таблица 1
КомпетенцияДескрипторы –основные признаки освоения (показатели достижения результата)Формы и методы обучения, способствующие формированию и развитию компетенцииСпособность предлагать концепции, модели, изобретать и апробировать способы и инструменты профессиональной деятельности ДемонстрируетЛекции, практические занятия, выполнение домашних заданийСпособность применять методы системного анализа и моделирования с целью оценки, проектирования и разработки стратегии развития архитектуры предприятия Владеет и применяетЛекции, практические занятия, выполнение домашних заданийСпособность разрабатывать и применять математические модели для обоснования проектных решений Владеет и применяетЛекции, практические занятия, выполнение домашних заданийСпособность организовать самостоятельную и коллективную научноисследовательскую работу на предприятии и управлять ею ДемонстрируетЛекции, практические занятия, выполнение домашних заданий
Метод моделирования
Предлагается сформировать массив статистических данных, характеризующих результаты промежуточного тестирования студентов после обучения дисциплине «Информатика и отражающих связь баллов, полученных в ходе тестирования каждым студентом,с его индивидуальными личностными факторами,а именно:с результатами психологического тестирования студентов с определением коэффициента IQ, результатами ЕГЭ на выпускных и вступительных экзаменах ис учетом процентапосещаемости занятий по данной дисциплине. Соответственно, чем вышеиндивидуальные навыки, тем выше результаты названных тестов.
При обработке результатов эксперимента получаем уравнение регрессии вида:
ЗдесьB–матрица коэффициентов регрессии bi,Q–матрица безразмерных факторов qij,Nвых–матрица выходных параметров исследуемой системы Nвыхi..Шаг варьирования каждого фактора пересчитываем в соответствии с коэффициентом изменения каждого фактора kiв положительную и отрицательную сторонуот середины интервала xi0между максимальным ximaxи минимальным ximinзначениями. Тогда шаг варьирования iбудет равен:i= ximax–xi0.Выбирая из заполненной в процессе эксперимента матрицы планирования текущее значение фактора qiТ, получаем текущее значение шага варьирования:iТ= xiТ–xi0.При этом коэффициент изменения iго фактора kiопределится следующим образом:, где индексТв i= ximax–xi0и iТ= xiТ–xi0.означает текущее значение величины, , где p–число строк в матрице Nвых; ��=∑�����вых���=1.Алгоритм имитационного моделирования по предложенному методу приведён на рисунке.
Структурная схема алгоритма: а–с целью математического описания исследуемого процесса; б–с целью оптимизации исследуемого процесса [3]
Обработка массива информационных данныхВ табл. 2 приведёна матрица ненормированного массива числовых данных, характеризующих результаты, описывающиесостояние системы обучения студентов Iкурса дисциплине «Информатика в весеннем семестре с учётом их тестирования на определение коэффициента IQ(факторX1), проведённогов этом семестре. Фактор Х2и Х3–это суммарный балл ЕГЭ и процент посещённых занятий по дисциплине в семестресоответственно. Всего в исходном массиве данных были представлены индивидуальные личностные факторы и результаты промежуточного тестирования для 14 студентов. Однако, в соответствии с теорией метода моделирования, для трёх факторов достаточно восьми строк в матрице полного факторного эксперимента i= ximax–xi0. В ходе расчётов на ПЭВМ по алгоритму, приведённому на рисунке под буквой а),и отсеивания наименее значимых числовых значений до 8 строк в матрице по плану полного факторного эксперимента 2kнами было полученоследующее уравнение регрессии:Nвых= 3,9 +0,13q1+0,55q2+ 0,25q3,где q1,q2,q3–безразмерные значения факторов x1,x2,x3соответственно, вычисленные по формулеqi=xiT–xio│xiT–xio│.В нашем случае безразмерные значения факторов принимают значения коэффициентов изменения факторов ki[4].Таблица 2Матрица
№п/пx1x2x3NвыхNвыхрасч,1108210684,314,32298180513,823,773102200484,013,91478160323,633,645130220504,414,356124230654,624,61792190543,733,66896170563,833,84993160423,713,6710138250724,524,5611151260944,934,871290200713,223,171388170543,013,1014100210384,124,03
Матрица ненормированных числовых данных [5]. № п/п –номер студента; x1–
коэффициент IQстудента; x2–суммарный балл студента на ЕГЭ;x3–процент посещённых занятий студентом в семестре по дисциплине; Nвых–балл по результатам тестирования, Nвыхрасч–расчётное значение балла по полученному уравнению регрессии.Уравнение qi=xiT–xio│xiT–xio│было проверено на адекватность по Fкритерию Фишера [6]. Для сравнения в таблицеприведена графа значений балла по результатам тестирования, рассчитанногопо полученному уравнению регрессии. Оно позволяет прогнозировать балл по результатам тестирования для каждого студента, если известны его параметры xi.Анализ уравнения qi=xiT–xio│xiT–xio│показывает, что наибольшее влияние на результат тестирования оказывают результаты ЕГЭ на вступительных экзаменах, коэффициент влияния этого фактора b2составляет +0,55, приблизительно в 2 раза меньше влияние посещаемости, b3=+0,25,и меньше всего влияние коэффициента АйзенкаIQ, b1= +0,13. Cувеличением всех трёх фактороврезультаты тестирования улучшаются.
С помощью уравнения регрессии Nвых= 3.9 +0,13q1+0,55q2+ 0,25q3можно получить уравнение погрешности следующего вида:
∆�вых�вых=∑��∆�����=1,
где ��=����∆���.
В данном уравнении величина Aiназывается коэффициентом влияния фактораXiна выходной параметр Nвых.Дляполученного нами уравнения регрессии qi=xiT–xio│xiT–xio│численный вид уравнения погрешности имеет вид:
∆�вых�вых= 0.13∆�1�1+ 0.59∆�2�2+ 0,13 ∆�3�3.
Мы видим, что в размерном виде влияние коэффициента IQи посещаемости стало одинаковым, а параметром, в большей степени влияющим на результаты тестирования,остались результаты ЕГЭ. По уравнению ∆�вых�вых= 0.13∆�1�1+ 0.59∆�2�2+ 0,13 ∆�3�3можно рассчитать отклонения ∆�выхотсреднего значения при известных отклонениях ∆��факторов.Данный математический комплекс, по нашему мнению, помогает лучше понимать состояние системы обучения студентов Iкурса дисциплине «Информатика.Выводы1.Предложена математическая модель для прогнозирования результативности обучения студентов дисциплине «Информатика с использованием метода и алгоритма компьютерной обработки ненормированных массивов числовых данных. 2.Полученная математическая модель показала, что результаты психологического тестирования на определение коэффициента АйзенкаIQи посещаемость занятий в значительно меньшей степени влияют на успеваемость студентов по дисциплине «Информатика, чем результаты ЕГЭ.3.Имитационное моделирование различных систем с помощью предложенного метода позволяет сократить временные и материальные ресурсы, затрачиваемые на проведение исследований.
Ссылки на источники1.Алексеев В.П., Озёркин Д.В.Основы научных исследований и патентоведение:учеб.пособие. –Томск: Издво ТУСУРа, 2012. –171 с.2.Там же.3.Там же.4.Афанасьев А.А. Математическое моделирование,2013г. 5.Алексеев В.П., Зайцев О.Ю. Теория планирования эксперимента в задачах влагометрии природного газа // Газовая промышленность. –2003. –№ 4. –С. 33–34.6.Там же.
VladimirStepanian,student, Faculty: Economics and Technology, Department of "Computer Science and Natural Sciences", SochiInvestigation of the influence of individual personality factors on the effectiveness of student learning on the subject "Informatics"Abstract.Article is devoted to optimizing the learning process in the discipline science, an example of developing a model for the quantitative analysis of the effectiveness of training. Author on the basis of the obtained mathematical model considers teaching methods to suit the individual personality factors students.Keywords:mathematical model, regression coefficient IQ Ayzenak’s, informatics.References: 1.Alekseev,V.P. andOzyorkin,D.V.(2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.2.Alekseev, V.P.andOzyorkin, D.V. (2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.3.Alekseev,V.P. and
Ozyorkin, D.V. (2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.4.Afanasev. A.A. (2013) “Matematicheskoe modelirovanie”.5.Alekseev, V.P.andZaicev, O.Ju. (2003) “Teoriyaplanirovaniyaeksperimentavzadachahvlagometriiprirodnogogaza”, Gazovayapromyshlennost., № 4,pp. 33–34.6.Alekseev, V.P. andZaicev, O.Ju. (2003) “Teoriyaplanirovaniyaeksperimentavzadachahvlagometriiprirodnogogaza”, Gazovayapromyshlennost., № 4, pp. 33–34.
Рекомендовано к публикации:АрутюняномА.Ю., кандидатомпедагогических наук, доцентом;Горевым П.М., кандидатом педагогических наук, главным редактором журнала «Концепт
Исследование влияния индивидуальных личностных факторов студентов на результативность обучения дисциплине «Информатика
Аннотация. Статья посвящена оптимизации процесса обучения дисциплине «Информатикана примере разработки модели для количественного анализа эффективности обучения. Автор на основании полученной математической моделирассматривает методики обучения с учётом индивидуальных личностных факторов студентов.Ключевые слова: математическая модель, уравнения регрессии, коэффициент IQАйзенка, информатика.Раздел:(01) педагогика; история педагогики и образования; теория и методика обучения и воспитания (по предметным областям).
ВведениеПредлагается математическая модель для прогнозирования результативности обучения студентов дисциплине «Информатика с использованием метода и алгоритма компьютерной обработки ненормированных массивов числовых данных, разработанных доцентом В.П. Алексеевым [1]. Математическая модель представлена в виде полиномиального уравнения регрессии, позволяющего использовать его для последующего количественного анализа эффективности обучения указанной дисциплине в качестве целевой функции для оптимизации методики обучения с учётом индивидуальных личностныхфакторов студентов.Данную модель имеет смысл внедрить в учебный процесс.Формулировка проблемыФедеральные образовательные стандарты высшего профессионального образования (ФГОС ВПО) 3го поколения предъявляют высокие требования к компетенциям студентов, получаемымв ходе обучения. В последние годы контингент поступающих студентов имеет высокую степень дифференциации знаний по информатике в связисбольшим различием уровня преподавания в средних общеобразовательных учреждениях. Это противоречие решается путём рациональной организации учебного процесса с учётом индивидуальных личностных факторов студентов. Возникает проблема прогнозирования результативности обучения каждого студента в зависимости от этих факторов. По результатам прогнозирования можно вноситькоррективы в методику обучения с целью повышения уровня знаний.Цели освоения дисциплины информатики студентом–Формирование теоретических знаний, умений и практических навыков математического моделирования.–Выработка умений и практических навыков математического моделирования в различных отраслях, обеспечивающих решение широкого круга задач, в том числепрогнозирования важнейших макроэкономических показателей, динамического моделирования учебных систем, имитационного моделирования различных процессов, математического моделирования и др.
Компетенции обучающегося, формируемые в результате освоения дисциплиныВ результате освоения дисциплины студент должен:–знать теорию, исторические аспекты математического моделирования и современные направления математического моделирования;
–уметь разрабатывать математические модели с применением методов статистического анализа данных, имитационного моделирования экономических процессов и др.;
–иметь навыки использования математических моделей для прогнозирования и анализа динамики сложных экономических систем.
На основе подкорректированной методики можно значительно повысить образовательный уровень студентов по данному предмету.В результате освоения дисциплины студент приобретает следующие компетенции(табл. 1) [2].Таблица 1
КомпетенцияДескрипторы –основные признаки освоения (показатели достижения результата)Формы и методы обучения, способствующие формированию и развитию компетенцииСпособность предлагать концепции, модели, изобретать и апробировать способы и инструменты профессиональной деятельности ДемонстрируетЛекции, практические занятия, выполнение домашних заданийСпособность применять методы системного анализа и моделирования с целью оценки, проектирования и разработки стратегии развития архитектуры предприятия Владеет и применяетЛекции, практические занятия, выполнение домашних заданийСпособность разрабатывать и применять математические модели для обоснования проектных решений Владеет и применяетЛекции, практические занятия, выполнение домашних заданийСпособность организовать самостоятельную и коллективную научноисследовательскую работу на предприятии и управлять ею ДемонстрируетЛекции, практические занятия, выполнение домашних заданий
Метод моделирования
Предлагается сформировать массив статистических данных, характеризующих результаты промежуточного тестирования студентов после обучения дисциплине «Информатика и отражающих связь баллов, полученных в ходе тестирования каждым студентом,с его индивидуальными личностными факторами,а именно:с результатами психологического тестирования студентов с определением коэффициента IQ, результатами ЕГЭ на выпускных и вступительных экзаменах ис учетом процентапосещаемости занятий по данной дисциплине. Соответственно, чем вышеиндивидуальные навыки, тем выше результаты названных тестов.
При обработке результатов эксперимента получаем уравнение регрессии вида:
ЗдесьB–матрица коэффициентов регрессии bi,Q–матрица безразмерных факторов qij,Nвых–матрица выходных параметров исследуемой системы Nвыхi..Шаг варьирования каждого фактора пересчитываем в соответствии с коэффициентом изменения каждого фактора kiв положительную и отрицательную сторонуот середины интервала xi0между максимальным ximaxи минимальным ximinзначениями. Тогда шаг варьирования iбудет равен:i= ximax–xi0.Выбирая из заполненной в процессе эксперимента матрицы планирования текущее значение фактора qiТ, получаем текущее значение шага варьирования:iТ= xiТ–xi0.При этом коэффициент изменения iго фактора kiопределится следующим образом:, где индексТв i= ximax–xi0и iТ= xiТ–xi0.означает текущее значение величины, , где p–число строк в матрице Nвых; ��=∑�����вых���=1.Алгоритм имитационного моделирования по предложенному методу приведён на рисунке.
Структурная схема алгоритма: а–с целью математического описания исследуемого процесса; б–с целью оптимизации исследуемого процесса [3]
Обработка массива информационных данныхВ табл. 2 приведёна матрица ненормированного массива числовых данных, характеризующих результаты, описывающиесостояние системы обучения студентов Iкурса дисциплине «Информатика в весеннем семестре с учётом их тестирования на определение коэффициента IQ(факторX1), проведённогов этом семестре. Фактор Х2и Х3–это суммарный балл ЕГЭ и процент посещённых занятий по дисциплине в семестресоответственно. Всего в исходном массиве данных были представлены индивидуальные личностные факторы и результаты промежуточного тестирования для 14 студентов. Однако, в соответствии с теорией метода моделирования, для трёх факторов достаточно восьми строк в матрице полного факторного эксперимента i= ximax–xi0. В ходе расчётов на ПЭВМ по алгоритму, приведённому на рисунке под буквой а),и отсеивания наименее значимых числовых значений до 8 строк в матрице по плану полного факторного эксперимента 2kнами было полученоследующее уравнение регрессии:Nвых= 3,9 +0,13q1+0,55q2+ 0,25q3,где q1,q2,q3–безразмерные значения факторов x1,x2,x3соответственно, вычисленные по формулеqi=xiT–xio│xiT–xio│.В нашем случае безразмерные значения факторов принимают значения коэффициентов изменения факторов ki[4].Таблица 2Матрица
№п/пx1x2x3NвыхNвыхрасч,1108210684,314,32298180513,823,773102200484,013,91478160323,633,645130220504,414,356124230654,624,61792190543,733,66896170563,833,84993160423,713,6710138250724,524,5611151260944,934,871290200713,223,171388170543,013,1014100210384,124,03
Матрица ненормированных числовых данных [5]. № п/п –номер студента; x1–
коэффициент IQстудента; x2–суммарный балл студента на ЕГЭ;x3–процент посещённых занятий студентом в семестре по дисциплине; Nвых–балл по результатам тестирования, Nвыхрасч–расчётное значение балла по полученному уравнению регрессии.Уравнение qi=xiT–xio│xiT–xio│было проверено на адекватность по Fкритерию Фишера [6]. Для сравнения в таблицеприведена графа значений балла по результатам тестирования, рассчитанногопо полученному уравнению регрессии. Оно позволяет прогнозировать балл по результатам тестирования для каждого студента, если известны его параметры xi.Анализ уравнения qi=xiT–xio│xiT–xio│показывает, что наибольшее влияние на результат тестирования оказывают результаты ЕГЭ на вступительных экзаменах, коэффициент влияния этого фактора b2составляет +0,55, приблизительно в 2 раза меньше влияние посещаемости, b3=+0,25,и меньше всего влияние коэффициента АйзенкаIQ, b1= +0,13. Cувеличением всех трёх фактороврезультаты тестирования улучшаются.
С помощью уравнения регрессии Nвых= 3.9 +0,13q1+0,55q2+ 0,25q3можно получить уравнение погрешности следующего вида:
∆�вых�вых=∑��∆�����=1,
где ��=����∆���.
В данном уравнении величина Aiназывается коэффициентом влияния фактораXiна выходной параметр Nвых.Дляполученного нами уравнения регрессии qi=xiT–xio│xiT–xio│численный вид уравнения погрешности имеет вид:
∆�вых�вых= 0.13∆�1�1+ 0.59∆�2�2+ 0,13 ∆�3�3.
Мы видим, что в размерном виде влияние коэффициента IQи посещаемости стало одинаковым, а параметром, в большей степени влияющим на результаты тестирования,остались результаты ЕГЭ. По уравнению ∆�вых�вых= 0.13∆�1�1+ 0.59∆�2�2+ 0,13 ∆�3�3можно рассчитать отклонения ∆�выхотсреднего значения при известных отклонениях ∆��факторов.Данный математический комплекс, по нашему мнению, помогает лучше понимать состояние системы обучения студентов Iкурса дисциплине «Информатика.Выводы1.Предложена математическая модель для прогнозирования результативности обучения студентов дисциплине «Информатика с использованием метода и алгоритма компьютерной обработки ненормированных массивов числовых данных. 2.Полученная математическая модель показала, что результаты психологического тестирования на определение коэффициента АйзенкаIQи посещаемость занятий в значительно меньшей степени влияют на успеваемость студентов по дисциплине «Информатика, чем результаты ЕГЭ.3.Имитационное моделирование различных систем с помощью предложенного метода позволяет сократить временные и материальные ресурсы, затрачиваемые на проведение исследований.
Ссылки на источники1.Алексеев В.П., Озёркин Д.В.Основы научных исследований и патентоведение:учеб.пособие. –Томск: Издво ТУСУРа, 2012. –171 с.2.Там же.3.Там же.4.Афанасьев А.А. Математическое моделирование,2013г. 5.Алексеев В.П., Зайцев О.Ю. Теория планирования эксперимента в задачах влагометрии природного газа // Газовая промышленность. –2003. –№ 4. –С. 33–34.6.Там же.
VladimirStepanian,student, Faculty: Economics and Technology, Department of "Computer Science and Natural Sciences", SochiInvestigation of the influence of individual personality factors on the effectiveness of student learning on the subject "Informatics"Abstract.Article is devoted to optimizing the learning process in the discipline science, an example of developing a model for the quantitative analysis of the effectiveness of training. Author on the basis of the obtained mathematical model considers teaching methods to suit the individual personality factors students.Keywords:mathematical model, regression coefficient IQ Ayzenak’s, informatics.References: 1.Alekseev,V.P. andOzyorkin,D.V.(2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.2.Alekseev, V.P.andOzyorkin, D.V. (2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.3.Alekseev,V.P. and
Ozyorkin, D.V. (2012) Osnovynauchnyhissledovaniyaipatentovedenie: Uchebnoeposobie, IzdvoTUSURa, Tomsk, 171 p.4.Afanasev. A.A. (2013) “Matematicheskoe modelirovanie”.5.Alekseev, V.P.andZaicev, O.Ju. (2003) “Teoriyaplanirovaniyaeksperimentavzadachahvlagometriiprirodnogogaza”, Gazovayapromyshlennost., № 4,pp. 33–34.6.Alekseev, V.P. andZaicev, O.Ju. (2003) “Teoriyaplanirovaniyaeksperimentavzadachahvlagometriiprirodnogogaza”, Gazovayapromyshlennost., № 4, pp. 33–34.
Рекомендовано к публикации:АрутюняномА.Ю., кандидатомпедагогических наук, доцентом;Горевым П.М., кандидатом педагогических наук, главным редактором журнала «Концепт
