<div>
	Интеллектуальная система адаптивного тестирования</div>

Тагирова Лилия Фаритовна, Зубкова Татьяна Михайловна

doi:10.17586/2226-1494-2023-23-4-757-766

2023 , ТОМ 23, НОМЕР 4 ( июль-август )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2023-23-4-757-766

УДК 004.89, 004.4

Интеллектуальная система адаптивного тестирования

Тагирова Л.Ф., Зубкова Т.М.

Читать статью полностью

Язык статьи - русский

Ссылка для цитирования:

Тагирова Л.Ф., Зубкова Т.М. Интеллектуальная система адаптивного тестирования // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 4. С. 757–766. doi: 10.17586/2226-1494-2023-23-4-757-766

Аннотация

Введение. Современное обучение невозможно без систем автоматизированной проверки знаний. Наиболее прогрессивными в настоящее время являются адаптивные модели тестирования, в которых сложность заданий меняется в зависимости от правильности ответов испытуемого. Представлена разработка интеллектуальной системы адаптивного тестирования с использованием аппарата нечеткой математики. Метод. Разработана интеллектуальная система адаптивного тестирования, в модуле, реализующим экспертную систему, используется продукционная база правил. Входными параметрами при работе экспертной системы являются: процент верных ответов, степень правильности ответа, длительность ответа, число попыток. Выходными — изменение текущего уровня подготовки обучаемого, на основании которого подобраны тестовые вопросы соответствующей сложности. В качестве метода логического вывода применен метод Мамдани, который состоит из шести операционных действий: фаззификации — преобразование точных значений входных переменных в значения лингвистических переменных посредством функций принадлежности; проектирования нечеткой базы правил экспертной системы; агрегирования подусловий — определение истинности условий для каждого лингвистического правила системы нечеткого вывода; активации подзаключений — нахождение степени истинности каждого из подзаключений в лингвистическом правиле; аккумулировании заключений — нахождение функции принадлежности для каждой из выходных лингвистических переменных; дефаззификации — нахождение численного значения для каждой из выходных лингвистических переменных. Основные результаты. Представлена разработанная интеллектуальная система адаптивного тестирования, которая позволяет на основании анализа результатов прохождения тестов определить текущий уровень подготовки обучающегося и адаптировать материал к уровню его подготовки. Система динамически, в режиме реального времени, предоставляет вопросы соответствующей сложности. Обсуждение. При использовании рассмотренной интеллектуальной системы адаптивного тестирования обучающимся будут заданы вопросы соответствующего уровня сложности, что позволит выстроить индивидуальную траекторию обучения. Внедрение предложенной системы обеспечит реализацию персонализированного подхода к организации учебного процесса, повысит точность оценки знаний обучающихся, и, как результат, повысить качество их обучения.

Ключевые слова: искусственный интеллект, экспертная система, нечеткая логика, нечеткая математика, тестирование обучаемых, адаптивное тестирование, интеллектуальная система

Список литературы

Семенова Н.Г., Томина И.П. Разработка и применение электронных образовательных ресурсов в условиях цифровой трансформации образования: монография. Оренбург: ОГУ, 2022. 139 с.
Григорьев А.П., Бурлуцкий С.Г. Нейросетевая навигационная тренажерно-обучающая система // Информационно-управляющие системы. 2017. № 3. С. 89–98. https://doi.org/10.15217/issn1684-8853.2017.3.89
Чумакова Е.В., Корнеев Д.Г., Гаспариан М.С. Разработка метода адаптивного тестирования на основе нейротехнологий // Открытое образование. 2022. Т. 26. № 2. С. 4–13. https://doi.org/10.21686/1818-4243-2022-2-4-13
Гусятников В.Н., Соколова Т.Н., Безруков А.И., Каюкова И.В. Адаптивная модель тестирования нескольких компетенций на основе алгоритма Байеса // Современные наукоемкие технологии. 2022. № 1. С. 40–46. https://doi.org/10.17513/snt.39007
Choi Y., McClenen C. Development of adaptive formative assessment system using computerized adaptive testing and dynamic Bayesian networks // Applied Sciences. 2020. V. 10. N 22. P. 8196. https://doi.org/10.3390/app10228196
Герасимова Т.Н., Гусева Н.В.Использование профессионально адаптивного тестирования в процессе обучения иностранному языку курсантов военных вузов // Мир науки, культуры, образования. 2019. № 3(76). С. 224.
Перегудова И.П. Динамическое адаптивное тестирование учебной деятельности студентов при изучении времен английского языка // Международный научно-исследовательский журнал. 2020. № 10-2(100). С. 40–45. https://doi.org/10.23670/IRJ.2020.100.10.042
Бровка Н.В., Дьячук П.П., Носков М.В., Перегудова И.П. Марковская математическая модель динамического адаптивного тестирования активного агента // Информатика и образование. 2018. № 10(299). С. 29–35. https://doi.org/10.32517/0234-0453-2018-33-10-29-35
Частикова В.А., Колесник Н.М. Система адаптивного тестирования на основе критикующего подхода к построению экспертных систем // Электронный сетевой политематический журнал «Научные труды КУБГТУ». 2018. № 3. С. 506–517.
Дуплик C.В. Модель адаптивного тестирования на нечеткой математике // Открытое и дистанционное образование. 2004. № 4(16). С. 78–88.
Oppl S., Reisinger F., Eckmaier A., Helm C. A flexible online platform for computerized adaptive testing // International Journal of Educational Technology in Higher Education. 2017. V. 14. N 1. P. 2. https://doi.org/10.1186/s41239-017-0039-0
Yang A.C.M., Flanagan B., Ogata H. Adaptive formative assessment system based on computerized adaptive testing and the learning memory cycle for personalized learning // Computers and Education: Artificial Intelligence. 2022. V. 3. P. 100104. https://doi.org/10.1016/j.caeai.2022.100104
Huang H.-T.D., Hung Sh.-T.A., Chao H.-Y., Chen J.-H., Lin T.-P., Shih C.-L. Developing and validating a computerized adaptive testing system for measuring the English proficiency of Taiwanese EFL university students // Language Assessment Quarterly. 2022. V. 19. N 2. P. 162–188. https://doi.org/10.1080/15434303.2021.1984490
Lin G.-H., Huang Y.-J., Lee Sh.-Ch., Huang Sh.-L., Hsieh Ch.-L. Development of a computerized adaptive testing system of the functional assessment of stroke // Archives of Physical Medicine and Rehabilitation. 2018. V. 99. N 4. P. 676–683. https://doi.org/10.1016/j.apmr.2017.09.116
Istiyono E., Dwandaru W., Setiawan R., Megawati I. Developing of computerized adaptive testing to measure physics higher order thinking skills of senior high school students and its feasibility of use // European Journal of Educational Research. 2020. V. 9. N 1. P. 91–101. https://doi.org/10.12973/eu-jer.9.1.91
Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учебное пособие для вузов / 2-е изд., испр. и доп. М.: Юрайт, 2023. 105 с.
Тагирова Л.Ф., Черняков А.А. Программная система адаптивного тестирования студентов дистанционного обучения. Свидетельство о государственной регистрации программы для ЭВМ RU2022681117. Бюл. 2022. № 11.
Тагирова Л.Ф., Бачковская Ю.С. Интеллектуальная система адаптивного тестирования. Свидетельство о государственной регистрации программы для ЭВМ RU2023662375. Бюл. 2023. № 6.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License