Мера Кульбака – Лейблера как средство оценивания результативности учебного процесса
- Авторы: Алябышева Ю.А.1, Веряев А.А.1, Лозыченко Ю.Э.2
-
Учреждения:
- Алтайский государственный педагогический университет
- Филиал Российского государственного социального университета
- Выпуск: № 5 (2025)
- Страницы: 132 - 143
- Раздел: МЕТОДОЛОГИЯ И ТЕХНОЛОГИЯ ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
- URL: https://journals.rcsi.science/1609-624X/article/view/359784
- DOI: https://doi.org/10.23951/1609-624X-2025-5-132-143
- ID: 359784
Цитировать
Полный текст
Аннотация
Цель настоящей работы состоит в том, чтобы продемонстрировать развитый авторами подход к оцениванию текущей успеваемости обучаемых при использовании информационной меры Кульбака – Лейблера (Kullback-Leibler). В качестве используемых методов можно выделить и отметить информационные, статистические методы. Они нашли свое приложение к анализу событийной педагогики. Ключевые события, подвергающиеся исследованию, – это компьютерные тестирования, а данные для анализа – результаты тестирования. Результаты тестирования можно рассматривать как случайные события, на которые оказывают влияние разные обстоятельства, а события сложно контролируются. В работе используется известный информационный метод Кульбака – Лейблера. Чтобы информационный метод превратился в работающую прикладную технологию, он должен быть сопровожден рядом дополнительных процедур и решенных задач, связанных: 1) с подготовкой данных для расчетов; 2) самими расчетами с учетом ограничений и выполнением критериев применимости метода; 3) возможными приемами анализа результатов исследования. Описание этих процедур можно найти в работе. В рамках предлагаемого метода оценивания результатов тестирования студентов учитываются ожидания их успеха, обусловленные предысторией учебных достижений, а также результативность в контексте показателей всей студенческой группы. Показана непротиворечивость полученных результатов при сравнении их с теми, которые получаются при использовании метода Манна – Уитни в исследованиях по педагогике и психологии при проверке гипотез. Научная новизна работы состоит в выстраивании соответствующих процедур с ориентацией на педагогические приложения. Изложение строится на использовании конкретных экспериментальных данных, полученных в рамках осуществления текущего контроля знаний после изучения темы по физике. Практическая значимость работы видится в возможности приложения меры Кульбака – Лейблера к изучению роли латентных переменных в образовательном процессе, а также при анализе данных, полученных в ходе экспериментального преподавания будущими соискателями ученых степеней по педагогике.
Об авторах
Юлия Анатольевна Алябышева
Алтайский государственный педагогический университет
Автор, ответственный за переписку.
Email: alyabysheva_y@mail.ru
кандидат педагогических наук, доцент Барнаул, Россия
Анатолий Алексеевич Веряев
Алтайский государственный педагогический университет
Email: veryaev_aa@mail.ru
доктор педагогических наук, профессор Барнаул, Россия
Юлия Эдуардовна Лозыченко
Филиал Российского государственного социального университета
Email: uliya_l@mail.ru
старший преподаватель Анапа, Россия
Список литературы
- Кульбак С. Теория информации и статистика. М.: Наука, 1976. 409 с.
- Kullback S., Leibler R.A. On information and sufficiency // The Annals of Mathematical Statistics. 1951. Vol. 22, № 1. P. 79-86.
- Звонников В.И. Современные средства оценивания результатов обучения. Москва: Академия, 2007. 224 с.
- Агальцов В.П. Контроль знаний – доминирующая составляющая образовательного процесса // Информатика и образование. 2005. № 2. С. 94–96.
- Bloom B.S., Engelhart M.D., Furst E.J., Hill W.H., Krathwohl D.R. Taxonomy of educational objectives. The classification of educational goals. NYC: David McKay Company, 1956. 216 с.
- Anderson L.W., Krathwohl D.R. A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. New York: Addison Wesley Longman, 2001. 333 p.
- Handbook of Polytomous Item Response Theory Models / Edited by M.L. Nering, R.Ostini. Routledge, 2010. 307 p.
- Крокер Л., Алгина Дж. Введение в классическую и современную теорию тестов. М.: Логос, 2010. 668 c.
- Rasch G. Probabilistic models for some intelligence and attainment tests. Chicago: University of Chicago Press, 1980. 199 p.
- Uchaikin V.V. Fractional Derivatives for Physicists and Engineers. Vol. I : Background and Theory. Springer, 2013. 400 p.
- Reckase M.D. The difficulty of test items that measure more than one dimension // Applied Psychological Measurement. 1985. № 9. P. 401–412.
- Handbook of Item Response Theory: Statistical Tools. Vol. 2 / Edited by Wim J. van der Linden. CRC Press, 2016. 442 p.
- Wind S., Hua C. Rasch Measurement Theory Analysis in R. New York: Chapman and Hal. 2022. 323 p.
- D’Elia A., Piccolo D. A mixture model for preferences data analysis // Computational Statistics & Data Analysis. 2005. № 49. P. 917–934. URL: https://www.labstat.it/home/wp-content/uploads/2015/10/0deec526a04cff09db000000-1.pdf (accessed 10 January 2025).
- Corduas M. A statistical procedure for clustering ordinal data / Quaderni di statistica. 2008; 10. P. 177–189. URL: https://www.labstat.it/home/wp-content/uploads/2015/03/Corduas_2008.pdf (дата обращения: 10.01.2025)
- Bini M., Monari P., Piccolo D., Salmaso L. Statistical methods for the evaluation of educational services and quality of products. 2009. 243 p.
- Алябышева Ю.А., Антонов А.Ю., Веряев А.А. Цифровизация тезаурусного подхода в образовании // Информатика и образование. 2020. № 1. С. 51–58.
- Бокова О.А., Веряев А.А. Субъективное восприятие неравенства и несправедливости школьниками и студенческой молодежью // Перспективы науки и образования. 2022. № 2 (56). С. 381–407.
- Samawi H.M., Yin J., Zhang X., Yu L., Rochani H. et al. Kullback-Leibler Divergence for Medical Diagnostics Accuracy and Cut-point Selection Criterion: How it is related to the Youden Index // J Appl Bioinforma Comput Biol. 2020, Vol. 9, Issue URL: https://www.scitechnol.com/peer-review/kullbackleibler-divergence-for-medical-diagnostics-accuracy-and-cutpoint-selection-criterion-how-it-is-related-to-the-youden-index-zT5p.php?article_id=11036 (дата обращения: 10.01.2025)
- Clim A., Zota R., Tinica G. Procedia. The Kullback-Leibler Divergence Used in Machine Learning Algorithms for Health Care Applications and Hypertension Prediction: A Literature Review // Computer Science. 2018. Vol. 141. P. 448–453.
- Applications of Information Theory to Epidemiology. URL: https://www.mdpi.com/journal/entropy/special_issues/epidemic (дата обращения: 10.01.2025)
- Алябышева Ю.А., Веряев А.А., Лозыченко Ю.Э. Технология пролонгированного оценивания учебных достижений студентов при использовании информационной меры Кульбака – Лейблера // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы VIII Междунар. науч. конф. Красноярск, 24–27 сентября 2024 г. Красноярск: КГПУ им. В.П. Астафьева, 2024. Ч. 1. C. 16–19.
- Кричевец А.Н., Корнеев А.А., Рассказова Е.И. Основы статистики для психологов. М.: Акрополь, 2019. 286 c.
- Корнеев А.А., Кричевец А.Н. Условия применимости критериев Стьюдента и Манна – Уитни // Психологический журнал. 2011. 32. № 1. С. 97–110.
- Алябышева Ю.А. Баракина Т.В., Бейлин М.В. и др. Геймификация в контексте восприятия и формирования представлений о неравенстве и несправедливости. Барнаул: Изд-во АлтГПУ, 2022. 212 c.
- Кларин М.В. Инновационные модели обучения: Исследование мирового опыта. М.: Луч, 2016. 632 с.
- Болтышев М. Г. Геймификация цифрового обучения: актуальные проблемы // Информатика и образование. 2022. Т. 37, № 3. С. 28–34.
Дополнительные файлы


