ПРОГНОЗУВАННЯ НАСЛІДКІВ ДИДАКТИЧНОГО ПРОЦЕСУ З ВИКОРИСТАННЯМ КРИВИХ ЗАБУВАННЯ
DOI:
https://doi.org/10.28925/2414-0325.2019s25Ключові слова:
симуляція дидактичного процесу, моделювання дидактичного процесу, освітня аналогія, криві навчання та забування, освітнє середовище, освіта як мікросистемаАнотація
У статті представлений метод прогнозування наслідків дидактичного процесу з використанням кривих забування. У дидактичному процесі важливу роль відіграють процеси навчання і забування. Важливими є час навчання, кількість повторень і їх розподіл в часі. Ці проблеми можуть бути проаналізовані з використанням детермінованого опису. Потік інформації та навчальний процес можуть бути описані завдяки освітньому середовищу, розробленому автором, що дозволяє створити модель дидактичного процесу, описаного диференціальними рівняннями. Диференціальні рівняння можуть бути представлені у вигляді мережі пов'язаних елементів аналогічно до електричних ланцюгів і представлені у вигляді інтуїтивної схеми. Мережа може бути змодельована з використанням симулятора мікросистем. Використання симулятора микросистем дозволяє моделювати дидактичний процес у часі і прогнозувати його наслідки також після завершення процесу в довгостроковій перспективі. Він також дозволяє прогнозувати повторення також під час дидактичного процесу. Представлений підхід дозволяє легко створювати макромоделі і дозволяє використовувати багато сучасних алгоритмів моделювання. Наведені приклади моделювання дидактичного процесу на основі реальних даних. Представлені короткострокові і довгострокові симуляції для окремих студентів і груп студентів. Наведено приклад прогнозування оптимальних повторень. На підставі отриманих результатів були зроблені відповідні висновки. Питання, що обговорюються в роботі, можуть представляти інтерес для тих, хто займається аналізом і математичним описом дидактичного процесу. Вони також можуть бути цікаві для розробників систем електронного навчання, особливо платформ електронного навчання.
Завантаження
Посилання
Anki. (2017).
Anzanello, M. J. & Fogliatto, F. S. (2011). Learning curve models and applications: Literature review and research directions. International Journal of Industrial Ergonomics, 41(5), 573–583. doi:10.1016/j.ergon.2011.05.001
Badiru, A. (1992). Computational survey of univariate and bivariate learning curve models.
IEEE Trans. Eng. Manage. 39, 176–188.
El-Bakry, H. (2015). Handling big data in e-learning. International Journal of Advanced Re- search in Computer Science & Technology, 3, 47–51.
Baškarada, S. & Koronios, A. (2013). Data, Information, Knowledge, Wisdom (DIKW): A semi- otic Theoretical and Empirical Exploration of the Hierarchy and its Quality Dimension. Australasian Journal of Information Systems, 18(1).
http:// journal.acs. org.au/index.php/ajis/article/view/748
Birjali, M., Beni-Hssane, A., & Erritali, M. (2018). A novel adaptive e-learning model based on big data by using competence-based knowledge and social learner activities. Applied Soft Computing, 69, 14–32. doi:10.1016/j.asoc.2018.04.030
Bloom’s taxonomy. (2017).
http://www.aritzhaupt.com/eBook_ADDIE/design. html%5C#Introduction_to_Design
Ebbinghaus, H. (1913). Memory: A contribution to experimental psychology. Original work published 1885.
https://web.archive.org/web/20051218083239/
http ://psy.ed.asu.edu:80/%20classics/Ebbinghaus/index.htm
Essa, A. (2016). A possible future for next generation adaptive learning systems. Smart Learning Environments, 3(1), 16. doi:10.1186/s40561-016-0038-y
Gerstner, W. & Kistler, W. (2002). Spiking Neuron Models: Single Neurons, Populations, Plas- ticity. Cambridge University Press.
Heller, O., Mack, W., & Seitz, J. (1991). Replikation der Ebbinghaus’schen Vergessenskurve mit der Ersparnis-methode: Das Behalten und Vergessen als Function der Zeit. Zeitschrift für Psychologie, (199), 3–18.
Ho, C., Ruehli, A., & Brennan, P. (1975). The modified nodal approach to network analysis.
IEEE Trans. Circuits Syst. CAS-22(6), 504–509.
IEEE Standard VHDL Language Reference Manual. (2009). IEEE Std 1076-2008 (Revision of IEEE Std 1076-2002), c1–626. doi:10.1109/IEEESTD.2009.4772740
Jaap, M., Murre, J., & Dros, J. (2015). Replication and Analysis of Ebbinghaus’ Forgetting Curve. Plus One, 2, 396–408. doi:10.1371/journal.pone.0120644
Jaber, M. (Ed.). (2011). Learning curves: Theory, models, and applications. eBook - PDF 2016.
Boca Raton: CRC Press.
Jaber, M. & Saadany, A. (2011). An economic production and manufacturing model with learn- ing effects. International Journal of Production Economics, 131 (1), 115–127.
Lolli, F., Balugani, E., Gamberini, R., Rimini, B., & Rossi, V. (2018). A human-machine learn- ing curve for stochastic assembly line balancing problems. IFAC-PapersOnLine, 51(11), 1186–1191. 16th IFAC Symposium on Information Control Problems in Manufacturing INCOM 2018. doi:10.1016/j.ifacol.2018.08.429
Mazur, J. & Hastie, R. (1978). Learning as accumulation: A re-examination of the learning curve. Psychol. Bull. 85, 1256–1274.
McIntyre, E. (1977). Cost-volume-profit analysis adjusted for learning. Manage. Sci. 24, 149– 160.
Kamhawi, E. (2017). The three tiers architecture of knowledge flow and management activities. October 12, 2010.
http ://www. sciencedirect . com / science / article / pii / S1471772710000321
Murre, J., Meeter, M., & Chessa, A. (2007) In M. Wenger & C. Schuster (Eds.), Statistical and Process Models for Neuroscience and Aging (Chap. Modeling amnesia: Connectionist and mathematical approaches, pp. 119–162). Mahwah, NJ: Lawrence Erlbaum.
Ogrodzki, J. (1986). One-dimensional orthogonal search–a method for a segment approximation to acceptability regions. International Journal of Circuit Theory and Applications. doi:10. 1002/cta.4490140302
Ogrodzki, J. (1994). Circuit simulation methods and algorithms. Boca Raton, USA: CRC Press. Panadero, M. F., Pardo, A., Panadero, J. F., & Andreas, M. (2002). A mathematical model for reusing student learning skills across didactical units. 32nd ASEE/IEEE Frontiers in Education Conference.
Plaskura, P. (2001). Kierowana zdarzeniami symulacja systemów analogowych o opisie behaw- ioralnym (Event-driven simulation of analog systems with behavioral description) (praca doktorska (PhD dissertation), Politechnika Warszawska (Warsaw University of Technol- ogy), Warszawa).
Plaskura, P. (2013a). Symulator mikrosystemów Dero v4. Metody i algorytmy obliczeniowe, modelowanie behawioralne, przykłady. (Microsystems simulator Dero v4. Computational methods and algorithms, behavioral modelling, examples.) AIVA. http://epub.aiva.pl/?isbn=978-83-937245-1-2
Plaskura, P. (2013b). Zaawansowane metody symulacji układów elektronicznych. Metody i algo- rytmy obliczeniowe. (Advanced methods of electronic circuit simulation. Computational methods and algorithms.) AIVA.
http ://epub.aiva.pl/?isbn = 978 - 83 - 937245-0-5
Plaskura, P. (2016). Quela - a platform for managing the didactical process. Матерiали Мiжнародної науково-практичної конференцiї: Методика навчання природничих ди- сциплiн у середнiй та вищiй школi (ХХIII Каришинськi читання), Poltava,Ukraine
Poltava V.G. Korolenko National Pedagogical University, 337–340. Materials of the In- ternational Scientific and Practical Conference: Methodology of teaching natural sciences in secondary and high school (XXIII Karischinskiy reading).
Plaskura, P. (2018a). Assessing the quality of the didactic process on the base of its monitor- ing with the use of ICT. Педагогiчнi науки: теорiя, iсторiя, iнновацiйнi техноло- гiї (Pedagogical Sciences: Theory, History, Innovative Technologies), 76(2), 185–196. doi:10.24139/2312-5993/2018.02/185-196
Plaskura, P. (2018b). Dero 4 simulator as a didactical tool. ABID, 23(1), 44–51. Retrieved from http://abid.cobrabid.pl
Plaskura, P. (2018c). The use of ICT in improving the effectiveness of the didactical process. Педагогiчнi науки: теорiя, iсторiя, iнновацiйнi технологiї, (17), 152–159. http://dspace.pnpu.edu.ua/handle/123456789/9739
Plaskura, P. (2018d). Wykorzystanie technologii informacyjnych do modelowania i monitorowa- nia jakości procesu dydaktycznego (The use of information technology for modelling and monitoring the quality of the didactical process). Piotrków Trybunalski: Wydawnictwo Uniwersytetu Jana Kochanowskiego.
Plaskura, P. (2019a). Educational analogy dedicated for didactical process simulation. Proceed- ings of the 15th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. 1, 286–301. http://ceur-ws.org/Vol-2387/20190286.pdf
Plaskura, P. (2019b). Modelling of Forgetting Curves in Educational E-environment. Informa- tion Technologies and Learning Tools, 71(3), 1–11.
Plaskura, P. (2019c). Monitorowanie jakości procesu dydaktycznego z wykorzystaniem ICT (Monitoring the quality of the didactical process with the use of ICT). In M. Leshchenko, O. Zamecka-Zalas, & I. Kiełtyk-Zaborowska (Eds.), Globalne i regionalne konteksty w edukacji wczesnoszkolnej. Wydawnictwo Uniwersytetu Jana Kochanowskiego w Kielcach Filia w Piotrkowie Trybunalskim.
Rao, K., Edelen-Smith, P., & Wailehua, C.-U. (2015). Universal design for online courses: Ap- plying principles to pedagogy. Open Learning: The Journal of Open, Distance and e- Learning, 30(1), 35–52. doi:10.1080/02680513.2014.991300
Rowley, J. (2007). The wisdom hierarchy: Representations of the DIKW hierarchy. Journal of Information Science, 33(2), 163–180. doi:10.1177/0165551506070706
Rubin, D., Hinton, S., & Wenzel, A. (1999). The precise time course of retention
n. Journal of Experimental Psychology: Learning, Memory, and Cognition, 1161–1176.
Senturia, S. (1998). Cad challenges for microsensors, microactuators and microsystems. Proc. of the IEEE, 86, 1611–1626.
SuperMemo. (2017). Retrieved from https://www.supermemo.com
Towill, D. (1990). Forecasting learning curves. International Journal of Forecasting, 6 (1), 25–38.
Whitaker, A. (2012). An Introduction to the Tin Can API. The Training Business.
Wickelgren, W. (1974). Single-trace fragility theory of memory dynamics. Memory and Cog- nition, 2, 775–780.
Womer, N. (1979). Learning curves, production rate and program costs. Management Science, 25 (4), 312–319.
Woźniak, P., Gorzelańczyk, E., & Murakowski, J. (1995). Two components of long-term mem- ory. Acta Neurobiologiae Experimentalis, 55, 301–305.
Woźniak, P. & Gorzelańczyk, E. (1998). Hypothetical molecular correlates of the two-component model of long-term memory. The 7-th International Symposium of the Polish Network of Molecular and Cellular Biology UNESCO/PAS.
xAPI. (2018).
1.jpg)
