Содержание к диссертации
Введение
ГЛАВА I. Информационные технологии в социальных исследованиях 13
1.1. Системный подход в социальных исследованиях 13
1.2. Компьютерные модели и новые информационные технологии в социальных исследованиях 24
1.3. Математические методы анализа социальных данных 54
Выводы к главе 1 58
ГЛАВА 2. Регрессионное моделирование в системном анализе 60
2.1. Корреляционно-регрессионные модели (КРМ) и их применение в анализе и прогнозе 60
2.2. Предмет социальных исследований в компьютерных технологиях 69
Анкетный метод 69
2.3. Объяснения и качественные данные. Их кодировка для построения регрессионной модели 79
2.4. Качественное исследование систем по результатам регрессионного моделирования 83
Выводы к главе 2 86
ГЛАВА 3. Методика построения модели и анализ качества обучения студентов высших технических учебных заведений с использованием программы "MATLAB" 87
3.1. Оценка уровня знаний в анализе качества обучения 87
3.2. Структура локальной информационной сети вуза и ее функционирование94 3.3.Формирование совокупности факторов и блока данных 96
3.4. Алгоритм построения регрессионной модели 97
3.5. Регрессионная модель в анализе и оценке качества обучения (на примере одной специальности инженерно-физического факультета АлтГТУ) 98
Выводы к главе 3 104
Заключение. Основные научные результаты и рекомендации 105
Литература 107
Приложения 118
- Системный подход в социальных исследованиях
- Компьютерные модели и новые информационные технологии в социальных исследованиях
- Корреляционно-регрессионные модели (КРМ) и их применение в анализе и прогнозе
- Оценка уровня знаний в анализе качества обучения
Введение к работе
Актуальность темы диссертации. В ряде российских государственных документов последних лет подчеркивается необходимость модернизации образования, проведения образовательной реформы, что, в свою очередь, неотрывно связано с использованием в образовании компьютерных информационных технологий.
Однако само выражение «компьютерные информационные технологии», пришедшее к нам с Запада, нуждается в пояснении и комментариях. Иными словами, перед обсуждением любой проблемы необходимо договориться об основных терминах.
Информационные системы - это упорядоченные потоки информации в любых физических или нефизических объектах. Среди информационных систем можно выделить классы: образовательные информационные системы (информационные системы в образовании); статистические информационные системы.
Компьютерные информационные системы — это системы, использующие компьютеры для хранения, обработки, передачи и анализа данных. Эти информационные системы наполняются информацией различного вида - данными и знаниями, которые упорядочиваются в базы данных и базы знаний.
Технологии (от греческого techne — мастерство и logos — учение) — совокупность приемов, методов, способов. Например, информационные технологии (Information Technology, сокращенно IT, а по-русски: ИТ) - совокупность методов, устройств и производственных процессов, используемых обществом для сбора, хранения, обработки и распространения информации.
Другой пример: известно, что современные компьютеры могут работать с пятью видами информации:
с числовой информацией (числа);
> текстовой информацией (буквы, слова, предложения, тексты); > графической информацией (картинки, рисунки, чертежи);
звуковой информацией (музыка, речь, звуки);
видеоинформацией (видеофильмы, мультфильмы, кинофильмы). Все пять видов информации называют одним словом "мультимедиа". Отсюда вытекают пять видов мультимедийных компьютерных технологий:
поиска и сортировки информации,
хранения,
обработки текстовой информации,
обработки графической информации,
обработки числовой информации.
Математика, будучи языком науки, как и любой язык, многофункциональна. Без математического анализа данных в настоящее время не обходится ни одно серьёзное исследование. Существенно при этом, не что используется, а как используется. Действительно, когда определены основные понятия, сформулированы цели, задачи и гипотезы исследования, во весь рост встает проблема выбора типа модели, конкретных методов и процедур измерения. От этого выбора в значительной степени зависит успех всего исследования, обоснованность теоретических и практических выборов. Сам процесс выбора методики осложняется двумя обстоятельствами. Во-первых, существует огромное число методик измерения при очевидном дефиците информации об их специфике. Во-вторых, отсутствует сколько-нибудь чёткие правила, процедуры, критерии выбора.
Стремясь к достижению своих целей, человечество всё больше расширяет научный инструментарий. Этот процесс наиболее глубоко затронул физику, затем в какой-то степени его влияние ощутили и другие естественные науки: химия, биология и т.д. Ещё в 19 в. математические исследования оказались необходимыми экономике. И, наконец, сейчас стало ясно, что "принципиально не математических" дисциплин вообще не существует. Другое дело - степень математизации и этап эволюции научной дисциплины, на котором математизация становится необходимой. Сегодня многие гуманитарные науки - лингвистика, история, социология, политические науки - начинают испытывать потребность в математическом мышлении, во всё большей степени начинают включать в ар-
сенал своих методов исследования подходы, так или иначе связанные с природой математического мышления.
В социологических исследованиях с каждым годом в мире все шире применяются математические методы, но положение дел в данном отношении никак нельзя назвать благополучным. С одной страны, имеются много методов, казалось бы, подходящих для решения социологических задач, для реализации этих методов существует программные комплексы. С другой, - явно недостаточное использование математических методов в социологических и педагогических исследованиях. Это частично связано с тем, что среди социологов существуют две противоположные точки зрения на место математики в социологии: одни убеждены, что невозможно втиснуть реальную жизнь со всем своим многообразием в прокрустово ложе формализма и при изучении общественных процессов математика просто не нужна; на другом полюсе - безграничная вера в возможности математики: стоит только нажать нужные кнопки ЭВМ, и многие запутанные социальные проблемы будут решены.
Более того, мало создать математическую модель социального процесса, на ее основе решается не только прогностическая задача, но и оптимизационная: какими должны быть значения социальных факторов, чтобы результат был наилучшим?
Сегодня во всем мире наблюдается повышенный интерес к подготовке инженерных кадров - открываются новые инженерные вузы, расширяются инженерные факультеты, во все больших масштабах покупаются инженеры за рубежом. Процессы развития экономики, промышленности и технического образования в мире характеризуются все возрастающей потребностью в инженерах нового поколения - разработчиках высоких технологий, владеющих самым современным инструментом - математикой, методами моделирования, информатики, управления.
Основным показателем работы вуза является качество подготовки специалистов, которое обеспечивается организацией учебного процесса. Принцип университетского образования требует формирования новых стандартов и
учебных планов. Для того, чтобы учебный процесс был управляемым, качество обучения необходимо регулярно контролировать и анализировать. Частично разрешением проблемы качественной подготовки специалистов может явиться анализ оценки качества обучения, то есть формирования знаний будущего инженера как специалиста, на определенных этапах. Основным показателем качества обучения является оценка знаний и навыков студентов в результате их контроля. Под контролем знаний будем понимать только проверку воспроизводимой информации, хотя в действительности очень часто на оценку влияет и сообразительность, и некоторые другие качества контролируемого объекта.
Высокий профессионализм и широкая эрудиция позволит инженеру быть всегда востребованным и социально защищенным, то есть проблема подготовки высококвалифицированного специалиста - не только педагогическая, но и социологическая. Поэтому оценка качества знаний в подготовке инженера путем более широкого использования системного подхода и методов обработки информации является актуальной задачей.
Гипотезой исследования принято то, что информационные технологии и математические модели в анализе качества обучения и их применение в системе высшего, в частности, инженерного, образования позволит исследовать влияние знаний, полученных студентом на определенных этапах обучения, на качество профессиональной подготовки будущих инженеров, а эти оценки явятся основой совершенствования учебного процесса. Так как «обучение — это в значительной степени накапливание информации и развитие способности устанавливать связи и отношения» (Д.Кинг), то такой подход к обучению позволяет в определенной мере использовать для его описания и анализа с применением количественных методов исследования передачи информации и математические модели этих процессов, созданные теорией информации (в том числе статистические и, в частности, регрессионные).
Исходя из этого, в диссертации поставлена следующая цель: на основе анализа успеваемости студентов определенной инженерной специальности разработать методику построения регрессионных моделей оценки качества обуче-
ния и использовать результаты для определения параметров, которые могут улучшить качество подготовки специалистов с высшим образованием. Для достижения этой цели сформулируем следующие задачи:
Провести критический анализ используемых в социологических исследованиях информационных технологий и математических методов.
Обосновать целесообразность применения информационных ресурсов и методов статистического моделирования для анализа качества обучения студентов в системе инженерного образования в вузе.
Определить совокупность параметров, позволяющих провести количественную оценку качества обучения студентов вуза.
Обосновать выбор типа математической модели оценки качества обучения студентов вуза.
Разработать компьютерную поддержку сбора информации для построения статистической модели оценки и анализа качества обучения студентов в системе высшего образования в вузе на примере Алтайского государственного технического университета им. И.И.Ползунова (АлтГТУ).
По статистическим данным построить математическую модель и провести анализ качества обучения студентов на одном из инженерных факультетов АлтГТУ.
Провести оценку влияния факторов на качество обучения студентов инженерной специальности АлтГТУ по результатам математического моделирования.
Объектом исследования является учебный процесс в высшей школе.
Предмет исследования: анализ качества обучения студентов в системе высшего технического образования на основе построения информационных технологий и регрессионных моделей.
Теоретико-методологической базой исследования являются:
— работы, раскрывающие методологические основы применения системного подхода в изучении различных процессов (Р. Акоф, Г. Вунил, М.З. Згуровский, И.Е. Казаков, А.Н. Новиков, М. Сашени, П. Фабл и др.);
социологические идеи о роли профессионального образования в современном мире, его влияние на становление человека, развитие общества (Н.Г. Алексеев, А.Г. Асмолов, Б.С.Гершунский, М.С. Каган, М.К. Мамардашвили и др.);
системный, личностно-деятельностный подход к изучению динамических систем (Н.Н. Баутин, В.Г. Гайцгорн, Е.А.Леонтович, Н.Н.Моисеев, Ю.И.Неймарк, А.А.Первозванский, B.C. Пугачев, К. Рихтер, Т. Саати, Б.Я. Советов, С.А. Яковлев и др.).
Комплексному исследованию проблемы автоматизированного обучения, ориентированного на «успешность», т.е. качество, посвящены работы Н.П. Бру-сенцова, в которых кроме технических проблем решается множество вопросов, связанных с дидактикой успешного обучения Я. Коменского. Инновационным технологиям обучения, ориентированным на качество выпускаемых специалистов, посвящены работы В.Т. Авдеева, Ю.П. Ехлакова, В.А. Вигуля, П.Г. Вида-ра, Б.С. Гершунского, М.П. Карпенко, О.М. Карпенко, А.И. Камышникова, А.В. Лисовца, СЮ. Лисовец, О.В. Миненкова, А.Г. Московцева, Н.А Московцева, О.В. Поповой, Н.С Сельской, Ю.И. Титаренко, Е.Н. Ткаченко, П.И. Третьякова, В.П. Фокиной, А.Д. Ходырева, С.А. Чмыховой, П.Г. Щедровицкого и др.
Методы исследования. Для решения поставленных задач использовалась совокупность взаимодополняющих методов: критический анализ работ в области исследования социологических процессов и информационного оснащения учебного процесса в вузе; корреляционно-регрессионный анализ; теория динамических систем с переменными параметрами; программное обеспечение вычислительных процессов (в том числе использование глобальной сети Интернет); методы прикладной математики.
Научная новизна исследования заключается в:
создании методики анализа учебного процесса с точки зрения качества обучения в техническом вузе;
в выборе критериев и факторов анализа качества обучения студентов вуза;
— разработке компьютерной поддержки сбора информации для построения математической модели в анализе и оценке качества обучения в системе высшего технического образования.
Практическая значимость исследования следующая:
сформирована методика анализа качества подготовки специалистов с высшим образованием на основе построения регрессионных моделей оценки качества обучения в системе высшего образования с использованием программы «MATLAB»;
разработана структура технологического комплекса компьютерной поддержки сбора необходимой информации в вузе;
приведен пример построения регрессионной модели для анализа значимости количественных факторов в оценке качества подготовки инженерных кадров.
Достоверность и обоснованность основных положений и выводов диссертации доказываются критическим анализом известных результатов по теме диссертации, использованием достоверных данных и классических законов и положений математической статистики, логическим подтверждением теоретических результатов.
Апробация результатов исследования заключается в участии автора в Международной научно-практической конференции «Наука и практика организации производства и управления» (28-30 мая 2003 г., Барнаул), в работе научного семинара при кафедре «Информационные системы в экономике» (ИСЭ) АлтГТУ, в восьмой региональной конференции по математике «МАК - 2005», Барнаул, 2005.
Внедрение в практику осуществлялось: при участии в создании информационной системы мониторинга образовательного процесса Алтайского государственного технического университета им. И.И. Ползунова в создании локальной информационной сети вуза, в проведении сбора статистических данных для создания математической модели оценки качества обучения студентов в системе инженерного образования АлтГТУ.
Положения, выносимые на защиту:
Методика анализа учебного процесса на основе построения корреляционно-регрессионных моделей оценки качества обучения в системе высшего образования (на примере исследования успеваемости студентов одной специальности инженерно-физического факультета АлтГТУ).
Методика определения значимости знаний, полученных студентом на определенных этапах обучения, в качестве его профессиональной подготовки.
Компьютерная поддержка информационного обеспечения математического моделирования в системе высшего образования.
Публикации. По материалам диссертации опубликовано 5 научных работ.
Структура диссертации состоит из введения, трех глав с выводами по каждой главе, заключения, списка литературы из 134 наименований и приложения.
В главе 1 рассмотрен системный подход применительно к изучению социальных процессов. Отдельные стороны, характеризующие данный процесс, рассматриваются как элементы системы. Сама система предстает как взаимосвязь этих элементов, как их целостность. Системный подход предполагает, прежде всего, выявление и анализ этих связей, составление системной схемы изучаемого процесса. Рассмотрены математические методы и компьютерные технологии в социально-педагогических исследованиях и их применимость к оценке качества обучения в системе высшего образования. Сделан вывод о целесообразности построения математической модели по статистическим данным, характеризующим знания студентов на контрольных этапах (в частности, экзаменационных сессиях), конкретнее - регрессионных моделей по определенным количественным критериям оценки.
В главе 2 даны основные положения корреляционно-регрессионного моделирования (КРМ) и его применение в анализе и прогнозе.
Коренное отличие метода корреляционно-регрессионного анализа от аналитической группировки состоит в том, что корреляционно-регрессионный ана-
лиз позволяет разделить влияние комплекса факторных (параметрических) признаков, анализировать различные стороны сложной системы взаимосвязей. Если метод комбинированной аналитической группировки, как правило, не дает возможность анализировать более 3 факторов, то корреляционный метод при объеме совокупности около ста единиц позволяет вести анализ системы с 8-10 факторами и разделить их влияние.
Наконец, развивающиеся на базе корреляционно-регрессионного анализа многомерные методы (метод главных компонент, факторный анализ) позволяют синтезировать влияние признаков (первичных параметров, факторов), выделяя из них непосредственно не учитываемые глубинные параметры (компоненты).
Корреляционно-регрессионной моделью системы взаимосвязанных признаков является такое уравнение регрессии, которое включает основные факторы, влияющие на вариацию результативного признака, обладает высоким (не ниже 0,5) коэффициентом детерминации и коэффициентами регрессии, интерпретируемыми в соответствии с теоретическим знанием о природе связей в изучаемой системе. Более того, корреляционная зависимость позволяет оценить значимость параметра в становлении определяющего критерия и устойчивость процесса.
Для построения регрессионной модели по качественным параметрам и результатам анкетного метода предложена кодировка по трехбалльной системе: х\ = -1, Хг = 0, хз = +1 по соответствующим ответам « нет, не знаю, да ». И если ответы разделились в соотношении m:n:p, то уравнение линейной регрессии представится в виде: у = тх\ + пхі +рхз.
В главе 3 изложены методика и результаты статистического исследования динамики отражения знаний в оценках по четырем группам специальности ТАП на инженерно-физическом факультете АлтГТУ им. И.И. Ползунова.
Так как понятие качества образования достаточно неопределившееся и широкое, то конкретнее поставлена цель: оценить качество обучения и особенно значимость оценок школьных знаний по средним баллам за аттестат зрелости и вступительных экзаменов.
*
В АлтГТУ создана локальная информационная сеть пользования ИНТЕРНЕТОМ Пользователями данной системы являются преимущественно студенты АлтГТУ, проживающие в общежитиях университета. Разработана структура информационно-управляющей сети с включением деканатов, кафедр и ректората АлтГТУ на основе модуля «Дата-центр». К задачам этой системы относятся:
делопроизводство, связанное с формированием, ведением и обработкой * документов;
сбор и передача внутренней информации;
создание отчетов по исследованиям на кафедрах, факультетах для передачи их руководству;
поиск и сбор внешней информации от других вузов;
создание, ведение, корректировка и обновление информации в базах данных;
- обмен информацией между отделами учреждения и организациями.
Эта локальная информационная сеть является инструментом сбора необхо-
димых статистических данных для построения математических моделей с их последующим анализом, выводами и рекомендациями.
В заключении сформулированы основные научные результаты исследования.
Системный подход в социальных исследованиях
Любой социальный процесс представляет собой сложную систему. Существо системного подхода применительно к изучению социальных процессов вкратце может быть охарактеризовано следующим образом.
Отдельные стороны, характеризующие данный процесс, рассматриваются как элементы системы. Сама система предстает как взаимосвязь этих элементов, как их целостность. Системный подход предполагает, прежде всего, выявление и анализ этих связей, составление системной схемы изучаемого процесса. Социальные процессы протекают во времени и по природе своей являются процессами динамическими, поэтому системная схема, отображающая взаимосвязь элементов данного процесса, также должна рассматриваться с динамических позиций.
Протекание социального процесса обусловлено различными внешними условиями и факторами. Системный подход предполагает специальный анализ этих внешних условий и факторов. Своеобразным методом такого анализа, позволяющего выявить воздействие входных условий и факторов процесса на его результирующие выходы, является известный в кибернетике метод «черного ящика».
Особое внимание в системном подходе обращается на закономерности функционирования того или иного процесса. Каждый социальный процесс определенным образом воспроизводит себя, непрерывно обновляясь и развиваясь. Это функционирование процесса может быть представлено в схематическом виде, укрупнено - в блочном виде, более развернуто - в форме операторной схемы и, наконец, - в детальном алгоритме процесса. Эта логическая схема основывается, разумеется, на внутреннем и внешнем проектировании системы, поскольку функционирование предполагает взаимодействие, как внутренних элементов, так и внешних факторов, его определяющих.
Взгляд на процесс как на процесс функционирующий позволяет выявить роль отдельных элементов и составляющих этого процесса. Одни элементы процесса являются параметрами управления («рулями», ведущими этот процесс), другие элементы представляют параметры, значение которых определяется взаимодействием факторов и условий в данном процессе. Если речь идет об управляемом процессе, то системный подход предполагает построение схемы управления этих процессов. В этой схеме орган управления отделяется от объекта управления, между ними выявляются прямые и обратные связи. Всякая управляющая система является информационной системой, поскольку информация является важнейшим составным элементом всякого управления. Поэтому системный подход предполагает, построение информационной схемы изучаемого процесса.
В социологических исследованиях важнейшим способом получения информации является анкетирование или интервьюирование, предполагающее взаимодействие объекта исследования (людей) и исследователей. Такое взаимодействие неизбежно сказывается на качестве получаемой информации. Специфической чертой системного подхода в социологии является изучение этого взаимодействия объекта и исследователя, взаимодействия, для которого характерна не только прямая, но и обратная связь. Наиболее последовательное применение системный подход в социологии получил в кибернетических моделях социальных процессов. Характерной областью применения кибернетических моделей является изучение социальных проблем управления и организаций. Специфической кибернетической моделью может быть и модель взаимодействия исследователя-социолога с объектом исследования.
Системные принципы использовались для анализа социальной реальности задолго до становления теории систем. "Отец социологии" О.Конт подчеркивал сходство общества с биологическим организмом. В трудах Г.Спенсера значительное место уделено поиску общих структурных закономерностей неорганической, биологической и социальной эволюциях.
В XX веке системные представления стали неотъемлемой частью социологического теоретизирования. Так, П.А.Сорокин понимал под социокультурной системой интегративное целое. В изданной в 1920 г. работе "Система социологии" П.А.Сорокин следующим образом описывает явление эмерджентности: "общество, или коллективное единство, как совокупность взаимодействующих людей, отличная от простой суммы не взаимодействующих людей, существует. В качестве такой реальности sui generis оно имеет ряд свойств, явлений и процессов, которых нет и не может быть в сумме изолированных индивидов. Но вопреки реализму общество существует не «вне» и «независимо» от индивидов, а только как система взаимодействующих единиц, без которых и вне которых оно немыслимо и невозможно, как невозможно всякое явление без всех составляющих его элементов".
Проблема системности в социологических исследованиях приобретает все более актуальное значение. Это обусловлено целым рядом факторов, важнейшими среди которых являются потребности управления социальными процессами и необходимость разрешения диалектического противоречия между познанием общественных явлений и целенаправленным преобразованием их.
О системности большинства изучаемых социологом объектов много говорится в литературе. Серьезный вклад в теорию социальных систем внесли Конт, Спенсер, Парсонс, Хабермас и др. Обсуждение системных принципов широким фронтом велось в рамках известного конфликта парадигм, возникшего в связи с распространением в Европе к середине XX века концепций и практики американской социологии. В наше время в социологических публикациях активно используются термины: "система", "системный анализ" и т.д. Почему же системная парадигма считается непривычной для социологов?
Компьютерные модели и новые информационные технологии в социальных исследованиях
Существующая социальная статистика в настоящее время весьма ограничена, а социальные исследования имеют преимущественно локальный характер и проводятся одноразово: нет даже единичных случаев проведения регулярных территориально-репрезентативных опросов для крупного региона, позволяющих получить информацию для прогнозирования социальных процессов. Во-вторых, комплексный характер реальных социальных процессов, складывающихся под влиянием огромного числа взаимосвязанных факторов, сложные, нелинейные зависимости делают крайне ненадежными прогнозы, основанные на экстраполяции.
Более перспективным является использование модели, отображающей представления о структуре изучаемого объекта, о механизмах опосредующих изменение изучаемых социальных переменных. Создание такой модели в виде программ для ЭВМ позволяет имитировать развитие объекта (изменение интересующих исследователя переменных) при различных условиях (управляющих воздействиях). Такого рода модели имеют много преимуществ по сравнению с другими подходами к прогнозированию социальных процессов. В частности, они дают возможность учитывать большое количество переменных, предсказывать развитие нелинейных процессов, возникновение синергетических эффектов. Кроме того, они позволяют не только получить прогноз (он ведь нужен не сам по себе, а как информация для принятия решений), но и найти с помощью вычислительных экспериментов, какие управляющие воздействия приведут к наиболее благоприятному развитию событий. Таким образом, компьютерные модели социальных процессов и вычислительный эксперимент с этими моделями являются важным средством управления социальными процессами.
Типология моделей "не устоялась" и различные авторы называют их имитационными, эвристическими, стохастическими, системно-динамическими и т.п., мы будем использовать для таких моделей более общее название — компьютерные. Система компьютерной поддержки в этих моделях предназначается для обеспечения всех этапов исследовательского цикла: формирование массива эмпирических данных, различные процедуры обработки и анализа этих данных, анкета и такой документ, как отчет.
Компьютерные модели представляют интерес не только для лиц, принимающих решения, и обслуживающих их социологов-практиков, готовящих проекты решений, но и для исследователей. Сам процесс воплощения теоретических представлений в модель позволяет глубже проникнуть в суть моделируемых явлений, а верификация модели (проведение на ней вычислительных экспериментов и сопоставление полученных результатов с данными эмпирических исследований) является фактически и проверкой теории, положенной исследователем в основу модели.
Однако указанные. функции (прогнозирование, вычислительный эксперимент для принятия решений, познавательная функция) далеко не исчерпывают возможности компьютерного моделирования. Оно оказывает более существенное влияние на весь процесс исследования, чем это кажется на первый взгляд.
Прежде всего, отметим, что исследователи, имеющие опыт построения моделей, указывают на тесную связь процесса построения модели и сбора эмпирического материала (в частности, измерения) для верификации модели. Так, Д.Бартоломью выделяет четыре функции моделей. "Первая - дать возможность заглянуть в суть изучаемых явлений, и лучше понять их. Вторая и третья цели построения моделей относятся к сфере деятельности социолога-прикладника применение модели для прогнозирования и вопрос планирования социальной системы и характера ее функционирования. Дальнейший вклад, который стохастическое моделирование может внести в социальные исследования, лежит в области измерений".
Таким образом, наряду с уже упомянутыми нами функциями модели - прогнозированием, принятием решений (планированием и управлением), познавательной (когнитивной) функцией - Д.Бартоломью добавляет функцию совершенствования измерения. Модель позволяет быстрее и точнее выявить недостатки тех или иных показателей, определить, при каких условиях целесообразно их применение. "Одно из самых важных практических преимуществ в исследовании, когда располагают рядом статистических моделей, заключается в том, что они значительно облегчают статистический анализ социальной информации. Это особенно полезно, когда (что бывает часто) такая информация фрагментарна. Модель помогает записать функцию правдоподобия и, таким образом, оценить интересующие нас параметры".
На другие преимущества компьютерных моделей по сравнению с умозрительными, вербальными моделями указывают Медоуз и Робинсон. Они отмечают, что строгость и точность модели, ее формализованный характер заставляют исследователя в ходе разработки модели уточнять исходные концептуальные умозрительные модели. Эта же особенность делает такие модели более доступными критике, проверке, уточнению. Указанные характеристики, впрочем, неспецифичны для компьютерных моделей и могут относиться к математическим моделям любых типов. Специфической же особенностью является всесторонность, полнота модели, возможность интегрировать в ней огромное количество данных и взаимосвязей, а также логичность и непротиворечивость.
Корреляционно-регрессионные модели (КРМ) и их применение в анализе и прогнозе
Коренное отличие метода корреляционно-регрессионного анализа от аналитической группировки состоит в том, что корреляционно-регрессионный анализ позволяет разделить влияние комплекса факторных признаков, анализировать различные стороны сложной системы взаимосвязей. Если метод комбинированной аналитической группировки, как правило, не дает возможность анализировать более 3 факторов, то корреляционный метод при объеме совокупности около ста единиц позволяет вести анализ системы с 8-10 факторами и разделить их влияние.
Наконец, развивающиеся на базе корреляционно-регрессионного анализа многомерные методы (метод главных компонент, факторный анализ) позволяют синтезировать влияние признаков (первичных факторов), выделяя из них непосредственно не учитываемые глубинные факторы (компоненты).
Корреляционно-регрессионной моделью системы взаимосвязанных признаков является такое уравнение регрессии, которое включает основные факторы, влияющие на вариацию результативного признака, обладает высоким (не ниже 0,5) коэффициентом детерминации и коэффициентами регрессии, интерпретируемыми в соответствии с теоретическим знанием о природе связей в изучаемой системе. Теория и практика выработали ряд рекомендаций для построения корреляционно-регрессионной модели. 1. Признаки-факторы должны находиться в причинной связи с результативным признаком (следствием). 2. Признаки-факторы не должны быть составными частями результативного признака или его функциями, о чем уже сказано ранее. 3. Признаки-факторы не должны дублировать друг друга. 4. Не следует включать в модель факторы разных уровней иерархии, т. е. фактор ближайшего порядка и его субфакторы. 5. Желательно, чтобы между результативным признаком и факторами соблюдалось единство единицы совокупности и единицы измерения, к которой они отнесены. 6. Математическая форма уравнения регрессии должна соответствовать логике связи факторов с результатом в реальном объекте. Так, например, зависимости успеваемости студента от посещаемости занятий, числа часов самостоятельной работы, среднего балла аттестата зрелости и среднего балла вступительных экзаменов отвечает аддитивное уравнение регрессии: у = а + Ъхх2 + Ь2х2 + Ъкх хкх. (2.1)
Наоборот, если у - число выпускников вуза, х\ — объем набора на первый курс, Х2 - квалификация преподавателей, х? - учебно-методическое обеспечение (литература, аудитории и их оснащенность учебным оборудованием, компью теризация и т.д.), то результат в современных условиях без любого из факторов не существует, поэтому строят КРМ в так называемой мультипликативной форме: h hy h h. y = a X{l X-X33-Xk\ (2.2) где коэффициенты bj, соответствуют коэффициентам эластичности факторов при стремлении прироста фактора к бесконечно малой величине: bj — е,- при Axj. - 0. Для конечных приростов факторов коэффициенты уравнения (2.2) не равны коэффициентам эластичности, как иногда утверждается в литературе. Уравнение (2.2) линеаризуется логарифмированием: \пу = Ьі\пх\ + b2\nx2 + 63 In X3 +lna, и далее решается как линейная модель.
7. Принцип простоты: предпочтительнее модель с меньшим числом факторов при том же коэффициенте детерминации или даже при несущественно меньшем коэффициенте.
Для анализа степени эффективности управления производством можно использовать сравнение единиц совокупности по показателям отклонений результативного признака от средней величины и от значения, рассчитанного по уравнению регрессии УІ=У=(УІ-У)+(У\-УІ)- (2.3)
Первое слагаемое в правой части равенства - это отклонение, которое возникает за счет отличия индивидуальных значений факторов у данной единицы совокупности от их средних значений по совокупности. Его можно назвать эффектом факторообеспеченности. Второе слагаемое - отклонений, которое возникает за счет не входящих в модель факторов и отличия индивидуальной эффективности факторов по данной единице совокупности от средней эффективности факторов в совокупности, измеряемой коэффициентами условно-чистой регрессии. Его можно назвать эффектом фактороотдачи.
Использование регрессионной модели для прогнозирования состоит в подстановке в уравнение регрессии ожидаемых значений факторных признаков для расчета точечного прогноза результативного признака или (и) его доверительного интервала с заданной вероятностью. Сформулированные там же ограничения прогнозирования,по уравнению регрессии сохраняют свое значение и для многофакторных моделей. Кроме того, необходимо соблюдать системность между подставляемыми в модель значениями факторных признаков.
Факторный анализ был развит психологами в течение первой половины XX в., главным образом в работах Спирмена, Терстона, Кетелла и Хотелинга.
Начиная с 50-х годов прошлого века он начал широко применяться в социологии, социальной психологии и во многих областях социального исследования. В последние годы - и это весьма характерно - он привлек внимание крупных специалистов математической статистики - Кенделла, Бартлета, Ло-ули — и представляет в настоящее время весьма разработанную математическую теорию. Как и в случае шкалирования, мы имеем N лиц и п вопросов - переменных, т. е. таблицу (матрицу), в которой по строке расположены ответы лица на вопросы, а по столбцу - ответы лиц на определенный вопрос. Существенно,
что переменные - количественные, т. е. ответ выражается числом, выражающим реальное количественное отношение — возраст, доход, разряд и т. п. Смысл факторного анализа заключается в том, что принято считать данные п переменных линейными функциями меньшего числа других переменных, называемых факторами. Факторы выступают как бы более фундаментальными переменными, характеризующими явление, и исходные переменные как бы объединяются в группы, каждая из которых представляет некий фактор. Задача анализа - найти эти факторы.
Оценка уровня знаний в анализе качества обучения
Понятие качества обучения далеко не однозначно, причем зависит от экономических условий, уровня технической оснащенности, специфики определенного производства и т. п. Зачастую соотносят качество образования и средний балл успеваемости, руководители предприятий оценивают уровень профессиональных знаний, умений, навыков, опыт профессиональной деятельности.
Исходя из мысли, что основная цель образования - адаптация человека к условиям экосоциотехносферы, А.П. Шамис определяет понятие качества образования как [121]:
- уровень развития личности специалиста, его знаний, умений, навыков, ценностных ориентации, мотивов и установок. Считается, что смысл и цели образования в этом разрезе представлены в самой системе образования и оценка качества подготовки может быть проведена внутри системы.
- уровень достижений выпускников в профессиональной и социальной деятельности их карьера, доходы, уровень удовлетворенности трудом. «Здесь смысл образования и критерии качества формируются вне и независимо от системы образования и попадают в эту систему в виде готовых директив определяющих требования к подготовке специалистов» [121, стр. 59-64].
Вместе с тем, в связи с большой сложностью и неоднозначностью решаемой проблемы, многообразием различных аспектов в условиях изменяющейся экономической, демографической ситуации и модернизации системы профессионального образования вопросы оценки качества обучения и управления качеством образования еще недостаточно изучены и требуют дальнейшей разработки.
Множество определений качества образования не позволяет исследовать вопрос о полной совокупности факторов, определяющих это качество, что в свою очередь затрудняет разработку мероприятий, способствующих его повышению. Более узким, конкретным понятием является качество обучения (см. стр. 5 диссертации). Наиболее распространенным способом, определяющим качество обучения, является нормативный, при котором оценка знаний студентов должна отражать соответствие фактических знаний, умений, навыков индивидуумов некоторым знаниям, принятым за норму (стандарт) в данной профессиональной области, т.е. по содержанию оценки знаний должны быть объективными. Однако в образовательной деятельности до настоящего времени установление такого соответствия, т.е. оценка знаний обучаемых, в силу множества причин осуществляется педагогом на основе собственных субъективных ощущений, т.е. субъективно. Очевидно, качество профессионального образования возрастет, если в процессе образовательной деятельности учебные заведения перейдут от методов субъективной оценки знаний обучаемых к методам объективного контроля уровня знаний в обучении студентов. Разработке такой методике и технологии ее применения посвящена диссертационная работа А.В.Лисовца [65].
Известно, что образованность (информированность, осведомленность) человека - это сложное свойство, характеризующее его способность, используя имеющиеся у него знания, сведения и информацию о текущей ситуации, формировать субъективные (правильные, неправильные, эффективные, парадоксальные на взгляд внешнего наблюдателя) суждения и принимать соответствующие решения в процессе своей деятельности [88, 118].
Наиболее эффективными следует считать мониторинговые системы, выявляющие пробелы знаний обучаемых и отсылающих их к повторению плохо усвоенных уроков. К таким системам относятся экспертные обучающие системы, а одним из ее инструментов - метод адаптивного тестирования.
Адаптивное тестирование — это широкий класс методик тестирования, предусматривающих изменение последовательности, содержания и сложности предлагаемых заданий в самом процессе тестирования с учетом ответов испытуемого. К адаптивному тестированию обычно относят алгоритмы постановки заданий, построенные для пунктов теста, предварительно выбранных с помощью различных моделей и методов анализа пунктов. При таком обучении в процессе прохождения теста строится модель качества знаний обучаемого, которая используется для генерации последующих заданий тестирования. Предметная область применения тестов следующая: а) проверка элементов моно-предметных знании и умении по теме, главе — в тесте текущего контроля; б) рубежная проверка монопредметных или политематических знаний и умений; в) проверка знаний по курсу в целом (предметный тест). Для построения тестовых заданий используется ряд методик, из которых наиболее пригодными являются: а) выбор варианта (альтернативные); в) подбор пары; в) заполнение пробела; г) исключение лишнего [61].
Большинство публикаций посвящено описанию разработанных тестов и тестирующих систем, реализованных на компьютере, а также описанию прак-тики эксплуатации таких разработок (см., например, [76]).
Примерами успешно работающих автоматизированных систем мониторинга знаний могут быть названы:
- «Телетестинг», имеющая трехуровневую систему оценки качества знаний по 1000 бальной шкале.
- Адаптивная форма тестирования, при которой тест сам подстраивается под участника, более подходит для олимпиад, т. к. позволяет определить про центный ранг аттестуемого среди других участников тестирования.
- Система централизованного тестирования, осуществляющая точечный контроль знаний в некоторых областях, которые «связываются в куски» и по зволяют делать соответствующие выводы, отражающие фундаментальные зна ния по 100 балльной шкале [117].
