Научный журнал

Современные наукоемкие технологии

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 0,940

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Апатова Н.В. 1 Гапонов А.И. 1 Майорова А.Н. 1

---

1 ФГФОУ ВО «Крымский федеральный университет им. В.И. Вернадского»

В статье предложен метод прогнозирования успеваемости студентов в зависимости от мотивационных предпочтений учения на основе нечеткой логики. Академическая группа студентов распределяется на четыре типологические группы в зависимости от успеваемости по выбранному предмету, а именно: успеваемость неудовлетворительная, удовлетворительная, хорошая, отличная. В каждой такой группе путем анкетирования определяется уровень важности следующих трех мотивов: желание получать стипендию (в том числе повышенную), интерес к предмету, необходимость избежать конфликта с родителями. Эти мотивы являются входными лингвистическими переменными в нечетком логическом выводе, определяющих значение выходной лингвистической переменной «успеваемость». С целью автоматизации процесса прогнозирования применяется пакет Fuzzy Logic Toolbox в программной среде MATLAB. В результате с учетом степени мотивации учения прогнозируется возможность перехода студентов между типологическими группами в зависимости от уровня успеваемости.

Статья в формате PDF

0 KB

мотивация учения

успеваемость

нечеткая логика

функция принадлежности

1. Абсалямова Р.А. Моделирование процесса обучения иностранному языку в вузе с помощью интерактивных технологий // Образовательные технологии и общество. – 2016. – Т. 19, № 3. – С. 365–375.

2. Гвоздев А.В., Хтун Хтун Гаинг. Структурно-функциональная модель синергетического подхода к процессу обучения химии в вузе // Ученые записки. Электронный научный журнал Курского государственного университета. – 2015. – № 2. (34). – С. 148–153.

3. Горбаченко И.М., Лопатеева О.Н. Моделирование процесса обучения с использованием раскрашенных сетей Петри // Образовательные ресурсы и технологии – 2014. – № 1 (4). – С. 10–20.

4. Дзюба Ю.Ю. Моделирование процесса формирования информационно-аналитической компетентности студентов в процессе обучения в вузе // Вестник Краснодарского университета МВД России. – 2016. – № 1 (31). – С. 227–230.

5. Игнатова И.Б., Покровская Е.А. Моделирование процесса профессиональной подготовки студентов в вузах социокультурной сферы на принципе дуальной системы обучения // Вестник Тамбовского университета. Серия: Общественные науки. – 2015. – № 3 (3). – С. 63–69.

6. Ильин Е.П. Мотивация и мотивы. – СПб.: Питер, 2002. – 512 с.

7. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. – СПб.: БХВ. Петербург, 2005. – 736 с.

8. Мамаева Н.А., Львова В.Д., Мамаева Д.В. Педагогическая модель формирования учебной мотивации студентов технических вузов в процессе изучения математики // Вестник Астраханского государственного технического университета. – 2015. – № 1 (59). – С. 47–55.

9. Мормужева Н.В. Мотивация обучения студентов профессиональных учреждений // Педагогика: традиции и инновации: материалы IV Mеждунар. науч. конф. – г. Челябинск, декабрь 2013 г. – С. 160–163.

10. Пегат А. Нечеткое моделирование и управление / А. Пегат; пер. с англ. – М.: БИНОМ. Лаборатория знаний, 2009. – 798 с.

11. Ядровская М.В. Новые технологии моделирования в педагогике // Известия Саратовского университета. Новая серия. Серия Философия. Психология. Педагогика. – 2014. – Т. 14, № 4–1. – С. 108–113.

Успешное освоение студентом курса того или иного предмета невозможно без активизации личностно-ориентированного побуждения к учению. По изменению параметров мотивации к учебе можно судить об уровне освоения учебной программы, определяющем успеваемость студента. Анализ публикаций за последние 2–3 года, посвященных моделированию тех или иных аспектов процесса обучения в вузе [1–5, 8, 11], дает основания считать актуальным построение модели мотивационных предпочтений студентов в связи с прогнозированием их успеваемости. В настоящей работе предлагается автоматизированный метод прогнозирования успеваемости студентов, исходя из их мотивационных предпочтений [6, 9], на основе нечеткой логики [10] в среде MATHLAB [7].

Прогнозирование успеваемости рассмотрим для студентов первого курса, предполагая, что в зависимости от года обучения мотивация учения может существенно изменяться. В рамках предлагаемой работы ограничимся тремя мотивами: прагматическим – получать стипендию; учебно-познавательным – интерес к предмету; неосознанным – избежать конфликта с родителями или улучшить отношения.

Разобьем академическую группу студентов на четыре типологические группы в зависимости от успеваемости в соответствии со 100-балльной шкалой оценивания знаний: неудовлетворительно («неуд») 1–59; удовлетворительно («уд») 60–73; хорошо («хор») 74–89; отлично («отл») 90–100.

Уровень мотива определяется в результате анкетирования и равен проценту студентов типологической группы, имеющих успеваемость «неудовлетворительно» («удовлетворительно», «хорошо», «отлично»), считающих этот мотив наиболее важным.

Распределение критериев по их важности для повышения уровня успеваемости определяется на основании мнений экспертов, обладающих соответствующей компетентностью. Например, таковыми могут быть преподаватели вуза. Экспертную оценку важности критериев учебной мотивации необходимо проводить для каждой из типологических групп. При этом необходимо принимать во внимание уровень согласованности оценок экспертов, определяемый коэффициентом конкордации (согласия) Кендала, учитывающий разброс мнений экспертов при оценке значимости ранжируемых факторов. В нашем исследовании распределение критериев по их важности приведено в табл. 1.

Таблица 1

Ранжирование критериев

Прогнозирование успеваемости осуществляется с использованием прикладного пакета Fuzzy Logic Toolbox в среде MATHLAB [7, 11].

Входными критериями (лингвистическими переменными) являются мотивы «стипендия», «предмет», «родители», которые имеют три значения – лингвистических терма. (Лингвистический терм – нечеткое множество, в котором функция принадлежности μ(х) каждому элементу х области определения ставит в соответствие действительное число от 0 до 1). Эти термы определяют уровень мотива: низкий – «н», средний – «с», высокий – «в». Выходной лингвистической переменной является «успеваемость», содержащая четыре лингвистических терма: неудовлетворительно – «неуд», удовлетворительно – «уд», хорошо – «хор», отлично – «отл». Областью определения лингвистических переменных является множество рациональных чисел [0; 100].

Лингвистические термы входных переменных определяются треугольными функциями принадлежности (степенью принадлежности численного значения переменной лингвистическому терму или степенью истинности принадлежности этого значения терму)

где а, с – абсциссы концов основания треугольника, b – абсцисса его вершины.

Эти термы определяются следующими параметрами (a, b, c): «н» (0; 0; 50), «с» (0; 50; 100), «в» (50; 100; 100).

Термам выходной переменной соответствуют трапециевидные функции принадлежности

где а, d – абсциссы концов нижнего основания трапеции, b, с – верхнего. Параметры (a, b, c, d) имеют следующие значения: «неуд» (0; 0; 59; 60), «уд» (50; 60; 73; 74), «хор» (73; 74; 89; 90), «отл» (89; 90; 100; 100).

Нечеткий вывод выполняем на основании алгоритма Мамдани [7, 10], состоящего из следующих этапов:

1. Формирование базы правил нечеткого вывода.

2. Фаззификация – определение значения функции принадлежности терма входной лингвистической переменной, соответствующего ее численному значению.

3. Агрегирование – определение степени истинности условий каждого правила для конкретных численных входных переменных.

4. Активизация – определение новой функции принадлежности выходной лингвистической переменной для каждого правила.

5. Аккумуляция – определение итоговой функции принадлежности выходной переменной как результат объединения нечетких множеств, полученных на предыдущем этапе.

6. Дефаззификация – нахождение численного значения выходной лингвистической переменной.

Для каждой типологической группы студентов составляем базу правил вида: Если «стипендия» есть «н» («с», «в»), и «предмет» есть «н» («с», «в»), и «родители» есть «н» («с», «в»), то «успеваемость» есть «неуд» («уд», «хор», «отл»). Например, Если «стипендия» есть «н», и «предмет» есть «в», и «родители» есть «с», то «успеваемость» есть «хор». В табл. 2 приведена база правил для студентов, имеющих удовлетворительную успеваемость.

В прикладном пакете Fuzzy Logic Toolbox программной среды MATLAB создаем систему нечеткого вывода на основе лингвистических переменных с соответствующими функциями принадлежности и базой правил. В результате получаем возможность визуализации зависимости выходной переменной от двух выбранных переменных (рис. 1) и базы правил (рис. 2), позволяющей наглядно представить процесс нечеткого вывода, влияния каждого правила на конечный результат и оценить зависимость выходной переменной от каждой из входных переменных.

Правилам нечеткого вывода, приведенным в таблице, соответствуют поверхность нечеткого вывода для входных переменных «Стипендия» – «Предмет», приведенная на рис. 1.

В результате дефаззификации делаем вывод о возможности изменения средней успеваемости рассматриваемой типологической группы студентов. В табл. 3 приведены результаты такого прогноза в зависимости от значений уровня мотива.

На рис. 2 показан графический интерфейс результатов нечеткого вывода для группы студентов с успеваемостью «удовлетворительно» при следующих значениях мотивов: «Стипендия» = 70, «Предмет» = 50, «Родители» = 60.

При необходимости предложенную систему нечеткого вывода несложно модифицировать для большего числа входных переменных – мотивов. Кроме того, можно провести более тонкую настройку системы, увеличив число термов входных переменных, например добавив значения мотивов «очень низкий», «отсутствует», «выше среднего» и т.п.

Таким образом, в настоящей работе предложен автоматизированный метод прогнозирования успеваемости студентов, исходя из уровня учебной мотивации. Это, в свою очередь, позволяет определить мотивационные компоненты, стимулирование и усиление которых обеспечит повышение или стабилизацию уровня успеваемости.

Библиографическая ссылка