Vector interpretation of students’ residual knowledge assessment

Cover Page

Cite item

Full Text

Abstract

Residual knowledge assessment is one of the procedures used in the Russian education system to monitor the quality of education at various levels. Typically, this procedure is considered to be a computer testing of the previously learned disciplines. The analysis of test results gives grounds for making necessary decisions. This determines the importance of reliable, accessible and informative presentation of monitoring results. The paper contains a method of visualization and interpretation of residual knowledge assessment results. The authors think that it is possible to use this method for analyzing the problems of training at the individual and group levels. For statistical information processing it is offered to use a vector form of data presentation. The paper contains examples of using a vector model for estimating the level of residual knowledge in three or more disciplines. The authors propose an approach that solves the problem of test results comparability carried out in various estimation systems. The main conclusions and results can be used directly in the educational process, in the field of education management, in psychological and pedagogical work.

About the authors

Sergey Ivanovich Makarov

Samara State University of Economics

Email: maksi@sseu.ru

doctor of pedagogical sciences, professor, head of Higher Mathematics and Economic-Mathematical Methods Department

Russian Federation, Samara

Svetlana Aleksandrovna Sevastyanova

Samara State University of Economics

Author for correspondence.
Email: s_sevastyanova@mail.ru

candidate of pedagogical sciences, associate professor of Higher Mathematics and Economic-Mathematical Methods Department

Russian Federation, Samara

References

  1. Артищева Е.К. Педагогическая диагностика как основа системы коррекции знаний // Образовательные технологии. 2015. № 3. С. 85-103.
  2. Слепухин А.В. Использование новых информационных технологий для контроля и коррекции знаний учащихся по математике: дис. … канд. пед. наук: 13.00.01. Екатеринбург, 1999. 159 с.
  3. Субетто А.И., Чернова Ю.К., Горшенина М.В. Квалиметрическое обеспечение управленческих процессов. СПб.: Изд-во «Астерион», 2004. 278 с.
  4. Крашенинникова Ю.В. Статистическая обработка результатов тестирования по высшей математике // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. 2012. № 1. С. 116-122.
  5. Гуменникова Ю.В., Рябинова Е.Н., Черницына Р.Н. Статистическая обработка результатов тестирования студентов // Вестник Самарского государственного технического университета. Серия: психолого-педагогические науки. 2015. № 3 (27). С. 78-87.
  6. Карпинский В.Б. Современные математические методы обработки результатов педагогического тестирования // Альманах современной науки и образования. 2012. № 2. С. 82-84.
  7. Шестова Е.А. Разработка моделей и методов анализа и обработки результатов тестирования знаний // Известия ЮФУ. Серия: Технические науки. 2012. № 2 (127). С. 146-152.
  8. Ким В.С. Матричное представление результатов тестирования // Вестник Московского государственного областного университета. Серия: Педагогика. 2012. № 4. С. 114-120.
  9. Лобова Т.В., Ткачев А.Н. Адаптивная нечеткая процедура интерпретации результатов // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки. 2014. № 5 (180). С. 102-105.
  10. Юрьев Г.А. Математическая модель интерпретации результатов компьютерного тестирования с использованием марковских сетей: дис. … канд. физ.-мат. наук: 05.13.18, 05.13.01. М., 2013. 108 с.
  11. Кремер Н.Ш. Диагностирование и прогнозирование уровня математической подготовки студентов // Современная математика и концепции инновационного математического образования. 2016. Т. 3, № 1. С. 263-265.
  12. Мельникова Н.Н., Щелокова Е.Г. Карьерная направленность: векторная модель диагностики и интерпретации // European Social Science Journal. 2012. № 2 (18). С. 270-277.
  13. Севастьянова С.А. Формирование профессиональных математических компетенций у студентов экономических вузов: дис. … канд. пед. наук: 13.00.08. Самара, 2006. 237 с.
  14. Федяев О.И. Прогнозирование остаточных знаний студентов по отдельным дисциплинам с помощью нейронных сетей // Известия ЮФУ. Серия: Технические науки. 2016. № 7 (180). С. 122-136.
  15. Артищева Е.К., Брызгалова С.И., Гриценко В.А. Фоновый уровень знаний: сущность, анализ, оценка усвоения: монография. Калининград: Изд-во БФУ им. И. Канта, 2013. 184 с.
  16. Макаров С.И. Методические основы создания и применения образовательных электронных изданий (на примере курса математики): дис. … д-ра пед. наук: 13.00.02. М., 2003. 242 с.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Figure 1 - Two-dimensional cube of residual knowledge test results

Download (5KB)
3. Figure 2 - Comparative analysis of the vectors of current academic performance and residual knowledge

Download (35KB)
4. Monitoring vectors

Download (5KB)

Copyright (c) 2018 Makarov S.I., Sevastyanova S.A.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies