Найти

Результаты поиска

• МОНИТОРИНГ КАЧЕСТВА ОБРАЗОВАНИЯ И ВНЕДРЕНИЕ ИНДИВИДУАЛЬНОГО ОБУЧЕНИЯ: ДЕМОНСТРАЦИЯ ПОДХОДОВ И АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ

  Ясс Кхудейр Салал , С. М. Абдуллаев

  2020-10-11

  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».