Технология прогнозирования образовательных результатов (на примере изучения курса «Химия» студентами инженерно-строительного вуза)

Бесплатный доступ

Целью данной статьи является разработка технологии прогнозирования оценки будущих инженеров-строителей в ходе изучения курса «Химия», позволяющая предугадывать образовательные результаты за весь курс на первых занятиях. В качестве средства диагностики выбран метод кластерного анализа k-средних. Для проведения эксперимента собраны результаты текущего контроля (с точностью до 0,5 балла) - 298 студентов-первокурсников, обучающихся в инженерно-строительном вузе, из 19 академических групп очного бакалавриата. Студентам предложено спрогнозировать (по 100-балльной шкале) их балл по изучаемому курсу. Разработанная технология позволяет с удовлетворительной точностью (86,24 %) прогнозировать образовательные результаты по курсу «Химия» на третьей неделе обучения. Проверено восемь гипотез, которые позволили прийти к выводу, что можно разработать хороший педагогический прогноз после завершения третьей недели обучения студентов-первокурсников, которых можно разбить на три кластера: получившие положительный балл; достигшие удовлетворительного результата; студенты, которым обязательно необходимо сдавать экзамен для получения оценки «удовлетворительно». Исследование вносит вклад в развитие компьютационной педагогики: может быть полезно преподавателям (для рекомендации посещения студентами, которые не смогут самостоятельно достичь хороших результатов, консультаций и для более эффективного распределения времени экзаменационной сессии), студентам (как дополнительная мотивация к изучению ряда проблемных дисциплин), кураторам и заместителям деканов по учебной работе (для поиска «проблемных» студентов и предотвращения / устранения академических задолженностей в начале семестра).

Еще

Педагогическое прогнозирование, компьютационная педагогика, образовательные результаты, будущие инженеры-строители, кластерный анализ, образовательная аналитика

Короткий адрес: https://sciup.org/147235262

IDR: 147235262   |   DOI: 10.14529/ped210309

Список литературы Технология прогнозирования образовательных результатов (на примере изучения курса «Химия» студентами инженерно-строительного вуза)

  • Коляда, М.Г. Педагогическое прогнозирование в компьютерных интеллектуальных системах / М.Г. Коляда, Т.И. Бугаева. -М.: Русайнс, 2015. - 380 с.
  • Коляда, М.Г. Реализация элементов дифференцированного обучения в математике с использованием пиктограмм «Лица Чернова» / М.Г. Коляда, Ю.А. Ташкинов // Дидактика математики: проблемы и исследования: междунар. сб. науч. работ. - Донецк, 2019. -Вып. 49. - С. 73-82.
  • Кравец, Е.О. Прогнозирование / Е.О. Кравец. - Донецк: ГОУ ВПО «ДонНУ», 2017. - 114 с.
  • Ташкинов, Ю.А. Синергетическая модель прогнозирования образовательных результатов будущих инженеров-строителей / Ю.А. Ташкинов // Пед. образование в России. - 2020. - № 6. - С. 146-155. ВО!: 10.26170/ро20-06-17
  • Ташкинов, Ю.А. Технология прогнозирования образовательных результатов студентов строительного вуза средствами компьютационной педагогики / Ю.А. Ташкинов // Интеграция образования. - 2020. -Т. 24, № 3. - С. 483-500. - DOI: 10. 15507/ 1991-9468.100.024.202003.483-500
  • Ташкинов, Ю.А. Педагогическое прогнозирование образовательных результатов будущих инженеров-строителей в реальном времени / Ю.А. Ташкинов // Личность в меняющемся мире: здоровье, адаптация, развитие. - 2020. - Т. 8. - № 1 (28). - С. 35-45. -http://humjournal.rzgmu.ru/art&id=416 D0I:10. 23888/humJ2020135-45.
  • Ташкинов, Ю.А. Прогнозирование учебных достижений будущих инженеров-строителей на занятиях по химии / Ю.А. Ташкинов // Актуальные методы оценки и контроля знаний в преподавании химических дисциплин. - Донецк: ГОУ ВПО «ДонНУ», 2019. - С. 26-33.
  • Шевченко, В.А. Прогнозирование успеваемости студентов на основе методов кластерного анализа / В.А. Шевченко // Вестник ХНАДУ. - 2015. - № 68. - С. 15-18.
  • Analysis of educational data mining: Theory and applications / R. Ahuja, A. Jha, R. Maurya, R. Srivastava // Harmony Search and Nature Inspired Optimization Algorithms. -2019. - P. 897-907. DOI: 10.1007/978-981-130761-485
  • Bharara, S. Application of learning analytics using clustering data Mining for Students' disposition analysis / S. Bharara, S. Sabitha, A. Bansal // Educ. Inf. Technol. -2018. - No. 23 (2). - P. 957-984. DOI: 10.1007/s10639-017-9645-7
  • Mining in Educational Data: Review and Future Directions / S.A. Salloum, M. Alshu-rideh, A. Elnagar, K. Shaalan // Proceedings of the International Conference on Artificial Intelligence and Computer Vision (AICV2020). Advances in Intelligent Systems and Computing, Springer, Cham. - 2020. - Vol. 1153. - DOI: 10.1007/978-3-030-44289-7 9
  • Saa, A.A. Factors affecting students' performance in higher education: a systematic review of predictive data mining techniques / A.A. Saa, M. Al-Emran, K. Shaalan // Technol. Knowl. Learn. - 2019. - No. 24. - P. 567-598. DOI: 10.1007/s10758-019-09408-7
Еще
Статья научная