МОНИТОРИНГ КАЧЕСТВА ОБРАЗОВАНИЯ И ВНЕДРЕНИЕ ИНДИВИДУАЛЬНОГО ОБУЧЕНИЯ: ДЕМОНСТРАЦИЯ ПОДХОДОВ И АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ
Аннотация
Как показывает анализ данных международных тестирований знаний учащихся, среднее и высшее образование многих странах переживает кризис, который в том числе вызван не адекватностью системы мониторинга качества традиционного и дистанцион- ного образования. В свою очередь, развитие такой системы мониторинга требует разра- ботки методов классификации и квантификации, необходимых для прогноза индивидуаль- ных и коллективных успехов учащихся. В этой статье теоретически и экспериментально показано, что наиболее перспективным подходом, решающим одновременно обе задачи прогноза, является создание гетерогенных ансамблей, состоящих из нечетного числа раз- личных базовых классификаторов, таких как деревья решений, простейшие нейронные се- ти, наивный байесовский классификатор и другие. Проведя обучение и тестирование 11 различных бинарных классификаторов на шести различных выборках образовательных данных, нами показано, что индивидуальный детерминированный прогноз таких ансамблей превосходит по точности прогнозы как отдельных базовых классификаторов, так и одно- родных ансамблей созданных по технологиям бэггинга и бустинга. Преимущество гетеро- генных ансамблей созданных из трех, пяти и семи классификаторов становится опреде- ляющим, если учесть, что при естественном дисбалансе выборки образовательных дан- ных, полезным прогнозом классификатора может считаться только такой прогноз, точ- ность которого превосходит относительную частоту класса объектов имеющих наи- большую повторяемость в выборке данных. Главным преимуществом гетерогенного ан- самбля является возможность трансформации детерминированного прогноза в вероятно- стный прогноз, когда вместо отнесения объекта к тому или иному классу, даются вероят- ности его принадлежности к отдельным классам. На основе этого нами предложен новый метод бинарной квантификации, когда индивидуальные вероятности принадлежности к каждому из классов объектов суммируются по отдельности, а полученные в итоге суммар- ные вероятности интерпретируются как относительные частоты объектов в выборке. В результате экспериментов показано, что такая бинарная ансамблевая квантификация по точности заметно превосходит традиционный метод «классифицируй и считай».
