Проверяемый текст
Саркисова, Ирина Олеговна. Разработка методов и моделей адаптивного тестового контроля в системе подготовки и аттестации персонала транспортных предприятий (Диссертация 2004)
[стр. 239]

240 Рис.
4.14.
Форма представления результатов вероятностей классификации Как видно из таблицы равномерное распределение задач по сложности приводит к тому, что для тестируемых среднего уровня вероятность достаточна велика и достигает 0,34.
Для сильных и слабых классификация в данном случае более точная.
В целях визуализации данных о вероятностях ошибочной классификации программная реализация имитационной модели имеет различные графические формы
(рис.4.14.) Оценка математического ожидания для всех планов является почти несмещенной.
Это может объясняться равномерностью всех частот и формой логистической кривой.
Можно подобрать кривую, где на малых сложностях уровни неразличимы.

4.6.
Дискриминантный анализ в задаче классификации уровня знаний с учетом влияния коррелированности ответов Основой построения процедуры классификации является минимизация ошибочной классификации.
К ним относятся байесовская модель
[стр. 87]

87 2.4.
Дискриминантный анализ в задаче классифи1сации уровня знаний с учетом влияния коррелироваииостн ответов Основой построения процедуры классификации является минимизация ошибочной классификации.
К ним относятся байесовская модель
классификации и общие регрессионные модели оценивания.
Но суть одна: по результатам ответов на задачи теста необходимо дать оценку уровня, т.е.
отнести тестируемого к одной из ранее сформированных (требования образовательного учреждения, проводящее тестирование) групп, которые идентифицируются классами кривых.
Предполагается, что имеется база тестовых заданий с заданными уровнями сложности.
Процесс тестирования заключается в последовательном решении определенных задач и приписывании результату оценивания Xi=l в случае правильного ответа и Xi=0 в случае неправильного ответа.
Наблюдения за выполнением тестовых заданий выбранного уровня сложности рь Р2....,Рр, определяются количеством решенных задач Х], Х2,...,Хр, которые представляют вектор: Х = ( х 1,Х 2,...,Хр).
(2 .3 9 ) Предполагается что группа испытуемых с одинаковым уровнем знаний характеризуется результатом решения с многомерным нормальным распределением Жк~А(Шк0 к).
где Wk=(mki, гпк2,...,ткр) математическое ожидание а = дисперсионная матрица В случае классификации на две группы ошибки могут быть в случае если: X принадлелсит но его относят к Wi, и в результате будет совершена ошибка, вероятность которой обозначим F (l[2); X принадлежит W\„ но его относят к [Гг, и в результате будет совершена ошибка, вероятность которой обозначим Р(21).
Иллюстрация ошибок классификации показана на рис.2.14.


[стр.,108]

достаточна велика и достигает 0,34.
Для сильных и слабых классификация в данном случае более точная.
В целях визуализации данных о вероятностях ошибочной классификации программная реализация имитационной модели имеет различные графические формы
(рис.3.5.) Оценка математического ожидания для всех планов является почти несмещенной.
Это может объясняться равномерностью всех частот и формой логистической кривой.
Можно подобрать кривую, где на малых сложностях уровни неразличимы.

33.
Формализованная марковская модель поведения адаптивного алгоритма Пусть адаптивный алгоритм представляет самый простой вариант, когда сложность задания увеличивается на единицу в случае верного ответа, и уменьшается на единицу в случае неверного.
Если предположить, что сложность может быть задана некоторым числовым значением, то в результате возможна формализация процесса тестирования в виде марковской цепи, в которой вероятности переходов по сложностям определяются на основании логистической кривой.
3.3.1.
Построение марковской цепи процесса адаптивного тестового контроля Для формализованного представления модели тестирования будем использовать марковские цепи.
Этот аппарат укладывается в общие концепции тестирования.
Так, обычно предполагается, что ответы на задания независимые величины.
Поэтому можно использовать однородную марковскую цепь, где состояниями цепи являются меры сложности заданий.
Пусть ^=(С, Р,П ).
где С множество состояний марковской цепи (уровни сложности заданий); 108

[Back]