Возможности современных информационных технологий в проведении психолого-педагогических исследований

 

Римма Ивановна Горохова

к.п.н., доцент кафедры физики и информатики и методики обучения физике и информатике,

Марийский государственный университет,

пленина, 1, г. Йошкар-Ола, 424001, (8362)425662

grimma@rambler.ru

 

Петр Владимирович Никитин

аспирант кафедры информатики и вычислительной техники,

Чувашский государственный педагогический университет им. Я.И. Яковлева,

ул. Карла Маркса, 38, г. Чебоксары, 428000, (8352)62-34-48

petrvlni@rambler.ru

 

Аннотация

Модернизация российского образования, введение новых ФГОС ставят перед образованием новые задачи в области научно-исследовательской деятельности выпускников педагогических специальностей. Приоритетной становится задача подготовки учителя, способного проводить педагогические исследования и выполнять качественный анализ полученных результатов. Современные информационные технологии предоставляют новые возможности для организации и проведения педагогических экспериментов от подготовки дидактических материалов, обработки результатов средствами информационных технологий до автоматизированных систем анализа и прогнозирования результатов педагогических исследований.

Modernization of Russian education, introduction of new FGOS put before education new tasks in the field of research activity of graduates of pedagogical specialties. Priority there is a problem of preparation of the teacher, capable to carry out pedagogical researches and to make the qualitative analysis of the received results. Modern information technologies provide new possibilities for the organization and carrying out pedagogical experiments from preparation of didactic materials, processing of results by means of information technologies to the automated systems of the analysis and forecasting of results of pedagogical researches.

Ключевые слова

педагогические исследования, педагогический эксперимент, информационные технологии, автоматизированные системы;

pedagogical researches, pedagogical experiment, the information technologies, the automated systems.

Введение

В связи с модернизацией российского образования, с ее диверсификацией значительно усложнились педагогические задачи учителей. Идеалом учителя XXI века является учитель-исследователь – инициатор педагогических нововведений, способный выполнять функции первопроходца новых принципов, способов обучения и воспитания, соединять алгоритмическую деятельность с творческим поиском, учитывать особенности разных классов в условиях дифференцированного обучения, сравнивать эффективность различных методов, приемов и средств обучения при решении одних и тех же дидактических задач; оценивать психологическую направленность и уровень воздействия тех или иных приемов на психические процессы учащихся; ежедневно разрешать десятки проблемных педагогических ситуаций; проводить исследования в рамках различных концепций, сопоставляя противоположные точки зрения.

Одной из важнейших функций педагога-исследователя является его готовность к диагностической деятельности. Среди ученых, определивших сущность, задачи, цели, средства и результаты освоения диагностической деятельности, можно выделить Л. А. Байкову, Н. В. Бордовскую, В. Н. Зайцева, Р. А. Исламову, И. А. Колесникову, Я. Л. Коломинского, А. И. Кочетова, М. М. Левину, Р. С. Немова, А. А. Орлова, И. П. Подласого, И. И. Прокопьева, А. А. Реан, А. И. Смоляр и др.

Аттестация педагогических кадров и выявление их соответствия квалификационным категориям, исследовательская деятельность будущих учителей, студентов педагогических специальностей, ставит задачу подготовки к организации и проведению педагогических исследований, анализу результатов с применением статистических методов.

Информационные технологии в научно-исследовательской и профессиональной деятельности

На современном этапе развития вычислительной техники и средств информационных технологий становится очевидной возможность их применения при проведении педагогических исследований. Инструментальный компонент включает программные методические средства, применяемые на каждом из этапов проводимого исследования. Система управления базами данных и сама база данных используются на подготовительном этапе для определения, сбора и систематизации исходных входных данных при подготовке к проведению исследования, на реализующем этапе педагогического исследования для автоматизации процессов сбора, хранения, накопления и обработки информации.

Вслед за С.И. Архангельским под педагогическим экспериментом будем понимать «метод исследования, который используется с целью выяснения эффективности применения отдельных методов и средств обучения и воспитания».

Образование является одним из основных объектов проведения педагогических исследований. Существуют различные подходы к понятию образование: 1) процесс; 2) деятельность, направленная на овладение личностью системой научных знаний, познавательных умений, развитие способностей; 3) синоним становления личности. 

«В наше время не только наука совершенствует технику, но и техника модифицирует содержание и методы науки, всесторонне изменяя деятельность человека» [1]. В современных условиях всё более расширяющееся использование средств информационных и коммуникационных технологий в деятельности педагога закономерно неизбежно и необходимо.

Поэтому одной из важных составляющих подготовки современного специалиста является широкое применение компьютерных систем, предназначенных для автоматизации профессиональной деятельности. Однако процесс этот носит двойственный характер: с одной стороны, он создает предпосылки для более глубокого познания свойств изучаемых объектов и процессов на математических моделях, проведения параллельного исследования и оптимизации, но, с другой стороны, осмысление применения этих систем автоматизации в профессиональной деятельности требует достаточно высокой квалификации, которой учителя ещё не овладели.

Основные направления информатизации современных технологий обучения можно разделить на содержательный и процессуальный. К содержательному подходу относится влияние информатизации на содержание обучения (Е.П. Велихов, А.П. Ершов, А.А. Кузнецов, В.С. Леднев, Е.И. Машбиц, В.В. Рубцов, И.В. Роберт, А.Я. Савельев, Н.В. Софронова и др.). В процессуальном подходе выделены четыре направления: построение информационной модели обучения и использование её в педагогических исследованиях (С.И. Архангельский, А.И. Берг, В.М. Глушков, В.М. Казакевич, Н.Ф. Талызина и др.); использование метода графов, сетей для построения учебных программ и логической структуры учебного материала (Т.А. Кувалдина, И.И. Логвинов, И.Б. Моргунов, А.В. Никитин, А.А. Овчиников, А.Г.Шмелев и др.); применение методов и средств информатики для обработки данных изучения состояния результатов обучения – использование компьютеров для реализации методов математической статистики (Дж. Гласс, М.И. Грабарь, К.А. Краснянская, А.В. Левин, Дж. Стенли, Л.М. Фридман и др.); применение методов формализации и моделирования (описания) отдельных компонентов технологий обучения, возможность диагностирования и измерения параметров отдельных компонентов (В.П. Беспалько, А.Н. Казаков, А.М. Майоров, Г.А. Сатаров, В.П. Симонов и др.) [2].

При проведении педагогического эксперимента используется процессуальный подход, для реализации которого применимы средства информационных технологий такие как графические и текстовые редакторы, базы данных и системы управления базами данных, электронные таблицы, средства мультимедиа/гипермедиа, телекоммуникационные сети.

Компьютеры и электронные телекоммуникации обеспечивают доступ к аккумулированному знанию, как в текстовой, так и в графической формах, образной информации. Давно известно, что образная информация усваивается лучше, чем текстовая. Человек конца ХХ  и начала ХХI века должен будет демонстрировать своё понимание идей, фактов, концепций, теорий, а не только запоминать их. Поэтому школе нужен учитель, который сможет активно участвовать сам и вовлекать в поисковую, исследовательскую и творческую деятельность своих учеников, развивать знания на основе использования источников информации, получаемых не только у себя в школе, но и со всех концов света. Использование телекоммуникационных сетей позволяет педагогу включиться в региональное, межрегиональное и международное педагогическое исследование.

Связь между основными направлениями информатизации современных технологий обучения и средствами новых информационных технологий представлена в таблице 1.

Таблица 1. Связь между основными направлениями информатизации современных технологий обучения и средствами ИКТ

N

Основные направления

Содержание

Результаты

Программные средства

1

2

3

4

5

1

Построение информационной модели обучения

Построение на базе - общей теории управления

Создание информационной модели и использование её в педагогических исследованиях

БД, ЭТ, Мультимедиа и экспертные обучающие системы,

2

Использование метода графов, сетей для построения учебных программ, логической структуры учебного материала

Оптимизация понятийной структуры учебного материала

Аппарат для выявления и оптимизации логической структуры учебного материала

Экспертные обучающие системы, БД

3

Применение методов и средств информатики для обработки данных изучения состояния, результатов обучения

Использование компьютеров для реализации методов математической статистики

Создание методики и программного обеспечения для обработки данных мониторинга состояния результатов обучения

ЭТ, БД, СУБД, среды языков программирования, экспертные обучающие системы

4

Применение методов формализации и моделирования (описания) отдельных компонентов технологии обучения

Формализация и технологизация описания целей, результатов обучения и др. Компонентов технологий обучения

Возможность диагностирования и измерения параметров отдельных компонентов

Мультимедиа, экспертные обучающие системы

 

Педагогический эксперимент является важнейшей формой организации педагогических исследований. Он обеспечивает более точное, более глубокое исследование педагогических явлений, чем простое наблюдение или практическая, опытная работа. Особенность педагогического эксперимента заключается в создании специальных экспериментальных ситуаций, в повторении эксперимента в различных условиях, в апробации полученных данных на практике.

Объективной потребностью развития современной педагогики высшей школы стало обучение студентов педвуза исследовательским умениям, к которым относится и проведение  педагогического эксперимента. Перед высшей школой стоит задача подготовить специалистов со сформированной методологической, исследовательской, компьютерной и инновационной культурой. Современное общество заинтересовано в том, чтобы получить таких работников, которые способны самостоятельно и активно действовать и творчески мыслить. Умение проводить педагогический эксперимент является одним из критериев готовности выпускника педвуза к самостоятельной, творческой деятельности в будущей работе, поэтому должно занимать важное место в общеобразовательной и профессиональной подготовке.

Наиболее перспективным является повышение эффективности педагогических исследований за счёт использования средств информационных и компьютерных технологий. Поэтому одной из важных составляющих подготовки современного специалиста является умение применять средства информационных и компьютерных технологий в научно-исследовательской и профессиональной деятельности. При проведении педагогического эксперимента используются графические и текстовые редакторы, базы данных и системы управления базами данных, электронные таблицы, средства мультимедиа/гипермедиа, компьютерные телекоммуникации. Это позволяет провести педагогический эксперимент на достаточно высоком уровне, избежать ошибок в расчётах, автоматизировать и облегчить работу с информацией, получаемой в ходе проведения исследовательской работы.

Таблица 2. Сравнение функций использования средств ИКТ в информатике и в педагогическом эксперименте

Средство

Функции использования средств ИКТ

 

Информатика

Педагогический эксперимент

Обучающие программы

Совершенствование процесса обучения

В ходе проведения эксперимента

Среды языков программирования

Формирование алгоритмического стиля мышления, обучения программированию

Разработка обучающих, контролирующих, тренажерных  и демонстрационных программ для проведения педагогического эксперимента

Графические редакторы

Знакомство с системами графического представления информации

Построение рисунков для наглядного раздаточного материала, схем и диаграмм по итогам эксперимента

Текстовые редакторы

Знакомство с системами текстового  представления  информации

Подготовка различных раздаточных материалов, используемых в ходе проведения эксперимента, документов и отчетов по итогам эксперимента

Электронные таблицы

Знакомство с системами обработки числовой информации

Моделирование, графическое представление числовых данных (Таблиц, диаграмм, графиков ). Проведение расчетов по результатов педагогического эксперимента

СУБД, БД

Формирование навыков систематизации и поиска данных

Сбор и систематизация данных в процессе обработки

Мультимедиа системы

Знакомство с системами структурного представления различного вида информации

Организация исследовательской деятельности. Разработка мультимедиа приложений для проведения разного рода экспериментов

Экспертные обучающие системы

Знакомство с системами искусственного интеллекта

В ходе проведения эксперимента для принятия решения

Системы для разработки обучающих программ

Формирование навыков разработки обучающих программ

Разработки обучающих программ необходимого направления, для проверки каких-либо гипотез относительно процесса обучения

Реализация (практическая часть)

Рассмотрим некоторые программные продукты, которые реализуются в Марийском государственном университете для обучения будущих учителей педагогическим исследованиям.

1.       Автоматизированная система анализа результатов психолого-педагогических исследований.

Целью любого педагогического эксперимента является эмпирическое подтверждение или опровержение гипотезы исследования и/или справедливости теоретических результатов, то есть обоснование того, что предлагаемое педагогическое воздействие (например, новые содержание, формы, методы, средства обучения и т.д.) более эффективно (или, возможно, наоборот – менее эффективно). Для этого, как минимум, необходимо показать, что, будучи примененным к тому же объекту (например – к группе учащихся), оно дает другие результаты, чем применение традиционных педагогических воздействий.

Для этого выделяется экспериментальная группа, которая сравнивается с контрольной группой. Различие эффектов педагогических воздействий будет обосновано, если две эти группы, первоначально совпадающие по своим характеристикам, различаются после реализации педагогических воздействий. Следовательно, требуется провести два сравнения и показать, что при первом сравнении (до начала педагогического эксперимента) характеристики экспериментальной и контрольной группы совпадают, а при втором (после окончания эксперимента) – различаются.

Так как объектом педагогического эксперимента, как правило, являются люди (учащиеся, учителя, сотрудники и руководители органов управления образованием и т.д.), а каждый человек индивидуален, то говорить о совпадении или различии характеристик экспериментальной и контрольной групп можно лишь в чисто формальном, статистическом смысле. Для того, чтобы выяснить, являются ли совпадения или различия случайными, используются статистические методы, которые позволяют на основании данных, полученных в результате эксперимента, принять обоснованное решение о совпадениях или различиях. Проверка статистических гипотез осуществляется с помощью статистического критерия, являющегося функцией от результатов наблюдения. Статистический критерий – это правило (формула), по которому определяется мера расхождения результатов выборочного наблюдения с высказанной гипотезой Н0. В настоящее время существует большое количество критериев для анализа психолого-педагогических исследований и поэтому при проведении данных исследований, будущие учителя (особенно гуманитарных специальностей) плохо ориентируются во всем многообразии данных критериев и зачастую просто игнорируют их. Поэтому нами был разработан программный продукт «Автоматизированная система анализа результатов психолого-педагогических исследований»[3], главное окно которого представлена на рисунке 1.

 

Рис. 1. Главное окно программы.

Данный программный продукт реализует алгоритм использования статистических критериев для проведения анализа результатов педагогических экспериментов [4]. Автоматизированная система анализа результатов психолого-педагогических исследований позволяет сделать выбор соответствующей шкалы измерения, числа градаций, проверки совпадений показателей, объема выборки и в соответствии с ними выбрать определенный статистический критерий обработки данных.

Общий алгоритм использования статистических критериев прост: до начала и после окончания эксперимента на основании информации о результатах наблюдений (характеристиках членов экспериментальной и контрольной группы) вычисляется эмпирическое значение критерия (алгоритм выбора статистического критерия и формулы для вычислений приведены ниже). Это число сравнивается с известным (табличным) числом – критическим значением критерия (критические значения для всех рекомендуемых нами критериев приведены ниже). Если эмпирическое значение критерия оказывается меньше или равно критическому, то можно утверждать, что характеристики экспериментальной и контрольной групп совпадают с уровнем значимости 0,05 по статистическому критерию… (далее следует название использованного критерия: Крамера-Уэлча, Вилкоксона-Манна-Уитни, χ2, Фишера). В противном случае (если эмпирическое значение критерия оказывается строго больше критического) можно утверждать, что «достоверность различий характеристик экспериментальной и контрольной групп по статистическому критерию … равна 95%». Следовательно, если характеристики экспериментальной и контрольной групп до начала эксперимента совпадают с уровнем значимости 0,05, и, одновременно с этим, достоверность различий характеристик экспериментальной и контрольной групп после эксперимента равна 95%, то можно сделать вывод, что «применение предлагаемого педагогического воздействия (например, новой методики обучения) приводит к статистически значимым (на уровне 95% по критерию …) отличиям результатов». Алгоритм работы программы представлен на рисунке 2.

Рис. 2 – Алгоритм работы программы.

Достоверность результатов определяется следующими алгоритмами [5].

1.       В шкале отношений.

Имеется экспериментальная группа, состоящая из N человек, и контрольная группа, состоящая из M человек. В результате измерения одного и того же показателя с помощью одной и той же процедуры измерений были получены следующие данные: Х = (x1, x2, …, xN) – выборка для экспериментальной группы и Y = (y1, y2, …, yM) – выборка для контрольной группы, где xi – элемент выборки – значение исследуемого показателя у i-го члена экспериментальной группы, i = 1, 2, …, N, а yj – значение исследуемого показателя у j-го члена контрольной группы, j = 1, 2, …, M. Так как измерения производились в шкале отношений, то {xi} и {yj} – положительные, в том числе, возможно – целые, числа, для которых имеют смысл все арифметические операции.

Для данных, измеренных в шкале отношений, для проверки гипотезы о совпадении характеристик двух групп целесообразно использование либо критерия Крамера-Уэлча, либо критерия Вилкоксона-Манна-Уитни. Критерий Крамера-Уэлча предназначен для проверки гипотезы о равенстве средних (строго говоря – математических ожиданий) двух выборок, критерий Вилкоксона-Манна-Уитни является более «тонким» (но и более трудоемким) – он позволяет проверять гипотезу о том, что две выборки «одинаковы» (в том числе, что совпадают их средние, дисперсии и все другие показатели).

Критерий Крамера-Уэлча. Эмпирическое значение данного критерия рассчитывается на основании информации об объемах N и М выборок Х и Y, выборочных средних x и y и выборочных дисперсиях Dx и Dy сравниваемых выборок по следующей формуле:

(1)

 

Алгоритм определения достоверности совпадений и различий характеристик сравниваемых выборок для экспериментальных данных, измеренных в шкале отношений, с помощью критерия Крамера-Уэлча заключается в следующем:

1. Вычислить для сравниваемых выборок Tэмп – эмпирическое значение критерия Крамера-Уэлча по формуле (1).

2. Сравнить это значение с критическим значением T0.05 = 1,96: если Tэмп≤1,96, то сделать вывод: «характеристики сравниваемых выборок совпадают на уровне значимости 0,05»; если Tэмп > 1,96, то сделать вывод «достоверность различий характеристик сравниваемых выборок составляет 95%».

Критерий Вилкоксона-Манна-Уитни. Данный критерий оперирует не с абсолютными значениями элементов двух выборок, а с результатами их парных сравнений. Например, существенно, что учащийся Петров решил больше задач, чем учащийся Иванов, а на сколько больше – не важно.

Возьмем две выборки: {xi} i = 1…N и {yj} j=1…M и для каждого элемента первой выборки xi, i = 1…N, определим число ai элементов второй выборки, которые превосходят его по своему значению (то есть число таких yj, что yj > xi), а также число bi элементов второй выборки, которые по своему значению равны ему (то есть число таких yj, что yj = xi). Сумма по всем N членам первой выборки называется эмпирическим значением критерия Манна-Уитни и обозначается U.

 

 

 

Определяем эмпирическое значение критерия Вилкоксона:

(2)

 

 

 

Алгоритм определения достоверности совпадений и различий для экспериментальных данных, измеренных в шкале отношений, с помощью критерия Вилкоксона-Манна-Уитни заключается в следующем:

1. Вычислить для сравниваемых выборок Wэмп – эмпирическое значение критерия Вилкоксона по формуле (2).

2. Сравнить это значение с критическим значением W0.05 = 1,96: если Wэмп≤1,96, то сделать вывод: "характеристики сравниваемых выборок совпадают с уровнем значимости 0,05"; если Wэмп > 1,96, то сделать вывод "достоверность различий характеристик сравниваемых выборок составляет 95%".

 

2. В порядковой шкале.

Используется порядковая шкала с L различными баллами. Характеристикой группы будет число ее членов, набравших тот или иной балл. Для экспериментальной группы вектор баллов есть n = (n1, n2, …, nL), где nk – число членов экспериментальной группы, получивших k-ый балл, k = 1, 2, …, L. Для контрольной группы вектор баллов есть m = (m1, m2, …, mL), где mk – число членов контрольной группы, получивших k-ый балл, k = 1, 2, …, L.

Для данных, измеренных в порядковой шкале целесообразно использование критерия однородности χ2, эмпирическое значение которого вычисляется по следующей формуле:

(3)

 

 

Критические значения критерия χ2 для уровня значимости 0,05 приведены в таблице 3 (статистические таблицы критических значений статистических критериев для различных уровней значимости и различных – в том числе больших 10 – градаций шкалы отношений можно найти, практически, в любом учебнике по статистическим методам или в специальных статистических таблицах).

Таблица 3 – Критические значения χ2 для уровня значимости α=0,05

Алгоритм определения достоверности совпадений и различий для экспериментальных данных, измеренных в порядковой шкале, заключается в следующем:

1. Вычислить для сравниваемых выборок χ2эмп – эмпирическое значение критерия χ2по формуле (3).

2. Сравнить это значение с критическим значением χ20,05 , взятым из таблицы 3: если χ2эмп χ20,05 ,то сделать вывод: «характеристик сравниваемых выборок совпадают с уровнем значимости 0,05»; χ2эмп > χ20,05, то сделать вывод «достоверность различий характеристик сравниваемых выборок составляет 95%».

Когда используется дихотомическая шкала – порядковая шкала с всего двумя различными упорядоченными баллами – «высокий»-«низкий», «справился с заданием»-«не справился», «прошел тест»-«не прошел» и т.д. Характеристикой группы, помимо общего числа ее членов, будет число членов (или доля, процент от общего числа), набравших заданный, например – максимальный, балл (в общем случае – число членов, обладающих заданным признаком).

Для экспериментальной группы, описываемой двумя числами (n1, n2), где n1 – число членов рассматриваемой группы, набравших низкий балл, n2 – набравших высокий балл, n1 + n= N, доля p ее членов, набравших максимальный балл, равна: p = n2 / N. Для контрольной группы, описываемой двумя числами (m1, m2), где m1 + m2 = M, доля q ее членов, набравших максимальный балл, равна: q = m2 / M.

Для данных, измеренных в дихотомической шкале целесообразно использование критерия Фишера, для которого эмпирическое значение φэмп вычисляется по следующей формуле:

 

 

(4)

 

 

 

Критическое значение φ0,05 критерия Фишера для уровня значимости 0,05 равно 1,64.

Алгоритм определения достоверности совпадений и различий для экспериментальных данных, измеренных в дихотомической шкале, заключается в следующем:

1. Вычислить для сравниваемых выборок φэмп – эмпирическое значение критерия Фишера по формуле (4).

2. Сравнить это значение с критическим значением φ0.05 = 1,64: если φэмп≤1,64, то сделать вывод: «характеристики сравниваемых выборок совпадают с уровнем значимости 0,05»; если φэмп > 1,64, то сделать вывод «достоверность различий характеристик сравниваемых выборок составляет 95%».

 

Для работы с программным продуктом необходимо его запустить, с помощью двойного клика левой кнопки манипулятора «мышь» по файлу «Program.exe».

На экране появится окно, изображенное на рисунке 3, которое поможет вам определиться с помощью какого критерия возможно подтверждение или опровержение гипотезы.

 

Рис. 3. Окно «Результаты эксперимента».

Вы можете начать выбор заново, нажав кнопку «Сброс». После выбора одной из активных кнопок появится следующий выбор. При выборе критерия откроется новое окно, представленное на рисунке 4, в котором необходимо указать количество человек участвующих в эксперименте и если это критерий χ2, вам необходимо указать количество градаций как показано на рисунке 5.

Рис. 4. Окно выбора количества человек в группах.

Рис. 5. Окно выбора количества человек в группах, градаций.

Вводимые данные должны содержать только цифры, а количество градаций для правильной работы необходимо задать не менее 2. После введения данных, необходимо нажать кнопку «Ок» и перед вами появится следующее окно, представляющее из себя две или три таблицы, как изображено на рисунках 6, 7 и 8.

Для шкалы отношений в окне находятся: слева таблица результатов исследования контрольной группы до и после эксперимента; справа таблица результатов исследования экспериментальной группы до и после эксперимента.

Рис. 6. Окно «Критерий Вилкоксона – Манна –Уитни».

Рис. 7. Окно «Критерий χ2».

Рис. 8. Окно «Критерий Фишера».

Для порядковой шкалы в окне находятся: слева таблица результатов исследования контрольной группы до и после эксперимента; справа таблица результатов исследования экспериментальной группы до и после эксперимента, при выборе критерий χ2 таблица для заполнения точек экстремумов, а при выборе критерия Фишера - поле для заполнения проходного балла.

В таблицах можно выполнять редактирование количества участников в группах, очищать таблицы. В таблицы необходимо вписать ваши данные для проведения расчетов. После заполнения таблиц, нажимается кнопк «Выполнить» и откроется новое окно, изображенное на рисунке 9, в котором будет выведен результат исследования.

Рис. 9. Окно «Результат».

Общий алгоритм использования статистических критериев основывается на сравнении результатов до начала и после окончания эксперимента. На основе информации о результатах наблюдений вычисляется эмпирическое значение критерия, которое сравнивается с табличным – критическим значением критерия.

Использование предложенной программы позволяет исследователю, исключив этап вычислений, получить информацию о результатах сравнения показателей в контрольной и экспериментальной группах.

 

2.       Аналитическая платформа Deductor Lite.

 

Аналитическая платформа Deductor является свободно распространяемым продуктом OOO «Аналитические технологии» г. Рязань. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов (Рис. 10).

 

Рис. 10. Схема аналитической платформы Deductor.

Данная платформа позволяет использовать три основных метода анализа данных: математическую статистику, эволюционное моделирование и машинное обучение. Распределение решаемых задач представлено на рисунке 11.

Рис. 11. Методы анализа данных.

Применение данной платформы позволит студентам построить систему, которая способна не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и сама анализировать вновь поступающую информацию, находить в ней закономерности, проводить прогнозирование, то есть создавать нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Таким образом, студенты конструируют нейронную сеть с заданной структурой, определяют ее параметры и обучают с помощью одного из доступных в системе алгоритмов обучения. В результате они получают эмулятор нейронной сети, который может быть использован для решения задач прогнозирования, классификации, поиска скрытых закономерностей, сжатия данных и многих других приложений, которые используются в психолого-педагогических или социологических исследованиях.

Созданная таким образом модель данных позволяет проводить анализ по принципу «что-если», соотносить гипотезы со сведениями, хранящимися в базе данных, находить аномальные значения, оценивать последствия принятия решений.

Пример 1. Необходимо выявить закономерности между успеваемостью школьника и его психологическими характеристиками (логическое мышление, творческие способности, интеллект, трудолюбие, темперамент, лидерские качества и т.д.) и на основании построенной модели прогнозировать успеваемость школьников.

Пример 2. Необходимо выявить закономерности между продолжительностью брака и возрастом вступления в брак, беременностью до брака, наличие детей, типом семьи, вредными привычками, насилием в семье и т.д. и на основании построенной модели прогнозировать продолжительность брака.

Подобные задачи решаются по следующему принципу:

1.     Студенты ставят задачу исследования в соответствие с которой собирают данные. Данные могут вводиться в электронную таблицу, СУБД или просто текстовый файл, после чего импортируются в платформу Deductor Studio Lite (Рис. 12).

Рис. 12. Мастер импорта.

2.       Проводят статистическую обработку данных, а так же анализ выявления дубликатов и противоречий в данных.

Аналитическая платформа Deductor Studio Lite позволяет проводить обработку данных методами математической статистики. Это может быть парциальная обработка, факторный анализ, корреляционный анализ, фильтрация и т.д. (Рис. 13).

Рис. 13. Мастер обработки.

Например, в процессе парциальной обработки восстанавливаются пропущенные данные, редактируются аномальные значения, проводится спектральная обработка. В Deductor Studio Lite при этом используются алгоритмы, в которых каждое поле анализируемого набора обрабатывается независимо от остальных полей, то есть данные обрабатываются по частям. По этой причине такая предобработка получила название парциальной. В числе процедур предобработки данных, реализованных в Deductor Studio Lite, входят сглаживание, удаление шумов, редактирование аномальных значений, заполнение пропусков в рядах данных.

Дубликатами будем считать записи в таблице, все входные и выходные поля которых одинаковые. Противоречиями - записи в таблице, у которых все выходные поля одинаковые, но отличаются хотя бы по одному выходному полю. В результате будет получена обработанная таблица с данными.

Рис. 14. Результат обработки данных.

3.                       Обучение нейросети.

 

Перед тем как использовать нейросеть, нужно обучить ее. Задача обучения равносильна аппроксимации функции (восстановление функции по отдельным ее точкам). Для обучения нужно подготовить таблицу – задать входные и выходные параметры, то есть подготовить обучающую выборку. По такой таблице нейросеть сама находит зависимости выходных полей от входных. Далее эти зависимости можно использовать, подавая на вход нейросети некоторые значения (даже те, на которых нейросеть не обучалась).

Далее следует выбрать алгоритм обучения:

1)    метод обратного распространения ошибки (минимизация среднеквадратичного отклонения текущих значений выходов от требуемых). Характеризуется высокой надежностью, но требует большое количество итераций. Требует указания двух параметров – это скорость обучения (величина шага при итерационной коррекции весов в нейросети, рекомендуемое значение от 0 до 1) и момент (задается от 0 до 1, рекомендуемо 0,9);

2)    метод эластичного распространения (R-propagation). Так называемое обучение по эпохам, когда коррекция весов происходит после предъявления сети всех примеров из обучающей выборки. Обеспечивает большую скорость обучения за счет осуществления сходимости в методе. Для этого алгоритма указываются параметры: шаг спуска (коэффициент увеличения скорости обучения, который определяет шаг увеличения скорости обучении при недостижении алгоритмом оптимального результата) и шаг подъема (коэффициент уменьшения скорости обучения в случае пропуска оптимального результата);

Далее необходимо задать условия, при выполнении которых обучение будет прекращено:

-        считать пример распознанным, если ошибка меньше;

-        по достижении эпохи;

-        обучающее множество;

-        тестовое множество.

Теперь все готово к процессу обучения нейросети. В начале все веса инициализируются случайными значениями (после обучения эти веса принимают определенные значения). Обучение может с большей долей вероятности считаться успешным, если процент распознанных примеров на обучающем и тестовом множествах достаточно велик (близок к 100%).

В качестве выходного параметра выбирается какой-нибудь параметр (успеваемость, продолжительность брака), все остальные параметры входные (Рис. 15 )

Рис. 15. Настройка назначений.

После чего происходит выбор алгоритма обучения нейросети (Рис. 16).

 

Рис. 16. Настройка процесса обучения нейросети.

На следующем шаге выполняется запуск процесса обучения нейронной сети, где студенты в реальном времени наблюдают этот сложный процесс, который представлен на рисунке 17.

 

Рис. 17. Обучение нейронной сети.

Результатом данного процесса является структура самой нейросети (хорошо обученной).

 

Рис. 18. Обученная нейронная сеть.

Обученную, таким образом, нейронную сеть можно использовать для выработки управляющих воздействий. Это можно сделать, применяя анализ «что-если». Для его включения нужно выбрать визуализатор «что-если». В итоге, заполняя соответствующие входные данные, получаем ответ на вопрос: «Сколько будет длиться ваш брак и какова причина развода (в процентном соотношении)?»

 

Рис. 19. Окно вывода результата.

Анализ и оценка разработки

Проверка нашего исследования велась на подтверждения следующей гипотезы: если при подготовке студентов педвузов в проведении педагогического эксперимента использовать современные педагогические технологии, то повышается:

·       общий уровень профессиональной подготовки будущих учителей;

·       мотивация проведения педагогических экспериментов в учебно-исследовательской, научно-исследовательской работе в вузе и в будущей профессиональной деятельности за счёт развития творческой активности студентов [6].

На начальном этапе нами были просмотрены и проанализированы дипломные работы на факультете дошкольной педагогики и психологии 16 работ, на кафедрах историко-филологического факультета – 22, факультете физической культуры – 8, на физико-математическом факультете – 34; всего – 80 работ. Среди них были работы, выполненные совместно с кафедрой педагогики и психологии. В результате общего анализа всех рассмотренных дипломных работ были получены следующие данные: эксперимент по всем этапам проведен лишь в 11,9 % всех дипломных работ; анкетирование на начальном этапе проводилось в 9,4 % работ, на конечном – в 2,5 %, а сравнение результатов анкетирования до и после эксперимента сделано в 6,9 % рассмотренных работ; историко-ретроспективное исследование составило 31,4 %; психологическая диагностика была выявлена в 5,7 % работ. Разработка тем и тематических планов по различным предметам представлена в 39,4% работ. Использование средств информационных и коммуникационных технологий и создание программных продуктов выявлено в 42,36 % дипломных работ.

Внедрение представленных автоматизированных систем проводилось в рамках дисциплин, изучаемых по учебным планам соответствующих специальностей. Наиболее логично изучение основ анализа и обработки результатов педагогических исследований проводить при изучении предмета «Статистические методы в педагогических исследованиях», включенного в учебные планы всех специальностей педагогического образования нашего вуза. В программе данного учебного предмета рассматриваются математические основы педагогических исследований и проверки статистических гипотез. Дисциплина «Использование информационных и коммуникационных технологий в учебном процессе» позволяет проводить анализ различных информационных технологий не только с позиции использования в учебном процессе, но и с точки зрения применения на различных этапах педагогического исследования от его организации, проведения и заканчивая анализом результатов и проверкой гипотез. В учебные планы подготовки будущих учителей по специальности «Информатика» и с дополнительной специальностью «Информатика» включена дисциплина «Искусственный интеллект». При изучении данного предмета рассматриваются основы создания и развития нейронных сетей; основные методы анализа данных: математическую статистику, эволюционное моделирование и машинное обучение; принципы создания самообучающихся систем, имитирующих деятельность мозга человека. Использование в процессе обучения аналитической платформы Deductor Studio Lite способствует с одной стороны изучению нейронных сетей, как основного элемента для создания искусственного интеллекта, с другой – применению нейронных сетей для проведения качественного анализа результатов экспериментов, выполнения прогнозирования и возможных направлений развития эксперимента при изменении исходных данных.

На заключительном этапе нами были просмотрены и проанализированы так же дипломные работы на тех же факультетах. В результате общего анализа всех рассмотренных дипломных работ были получены следующие данные: эксперимент по всем этапам проведен в 30,9 % всех дипломных работ; анкетирование на начальном этапе проводилось в 70 % работ, на конечном – в 62 %, а сравнение результатов анкетирования до и после эксперимента сделано в 48 % рассмотренных работ; историко-ретроспективное исследование составило 37,2 %; психологическая диагностика была выявлена в 50,3 % работ. Разработка тем и тематических планов по различным предметам представлена в 77,4% работ. Использование средств информационных и коммуникационных технологий и создание программных продуктов выявлено в 92 % дипломных работ.

Таким образом, анализ дипломных работ, проведенный на заключительном этапе эксперимента, позволяет сделать вывод о повышении общего уровня профессиональной подготовки будущих учителей и мотивации проведения педагогических экспериментов в учебно-исследовательской, научно-исследовательской работе в вузе и в будущей профессиональной деятельности.

Заключение

Внедрение в процесс обучения информационных технологий позволяет сформировать «новый взгляд» студентов на педагогические исследования. Рассмотренные в статье программные продукты способствуют качественному изменению подхода к работе с информацией, полученной в ходе исследования на всех ее этапах: от констатирующего до контрольного, количественной обработке результатов измерений различными статистическими методами, без сложных вычислений и математических преобразований. Использование различных информационных технологий и программных продуктов в обучении переводит подготовку будущих учителей на качественно новый уровень.

Литература

1.          Архангельский С. И. Учебный процесс в высшей школе, его закономерные основы и методы. – М.: Педагогика, 1980. – 384 с.

2.          Филатов О. К. Основные направления информатизации современных технологий обучения // Информатика и образование. – 1999. - №2. – С. 2-6.

3.          Ивойлов А.Д., Горохова Р.И., Никитин П.В. Электронный информационный образовательный ресурс: < Автоматизированная система анализа результатов психолого-педагогических исследований > // Хроники объединенного фонда электронных ресурсов <Наука и образование>, № 3, 2012. URL: http://ofernio.ru/portal/newspaper/ofernio/2012/3.doc. (дата обращения: 8.06.2012)

4.          Новиков Д.А. Статистические методы в педагогических исследованиях (типовые случаи). – М.: МЗ-Пресс, 2004. – 67 с.

5.          Дубина И.Н. Математико-статистические методы в эмпирических социально-экономических исследованиях: учеб.пособие. – М.: Финансы и статистика; ИНФРА-М. – 2010. – 416 с.

6.          Хуторской А. В. Ключевые компетенции. Технология конструирования // Народное образование. 2003. №5. С. 55-61.