Диссертация. Основам искусственного интеллекта и анализа данных в курсе информатики на уровне среднего общего образования Научная
 Скачать 4.76 Mb.
|
|
3.3. Педагогический эксперимент по проверке результативности методики обучения основам искусственного интеллекта и анализа данных Рассмотрим полученные результаты измерений двух блоков проведённого педагогического эксперимента. Поскольку применялась рейтинговая система оценивания, было принято решение использовать дискретную порядковую шкалу [76]. В обоих блоках выдвинутые гипотезы проверялись с помощью критерия однородности Пирсона χ2 и уровня значимости, равного α=0,05, который характерен для педагогических исследований. При подсчёте использовались три степени свободы, что делает критическим значение χ 0,05 2 = 5,99. Сам критерий Пирсона выглядит как χ 2 = ∑ (𝐸 𝑙 − где L — количество степеней свободы (число групп эмпирического разбиения 𝐸 𝑙 — эмпирическая частота признака в той группе, 𝜃 𝑙 — теоретическая частота признака в той группе. В первом блоке 2015-2016 гг была выдвинута гипотеза H0 характеристики контрольной и экспериментальной групп совпадают" и применён. Уровень знаний проверялся как процент от выполненного тестового задания, где низким считался показатель до 45%, средним — от 46 дои высоким от 75% до 100%; максимальное значение можно было получить при высоком познавательном интересе обучающихся и дополнительном самостоятельном поиске информации вовремя прохождения модуля (решение задач повышенной трудности развивающего характера. Результаты измерения представлены в Таблице 22 и на гистограммах (см. Рис. 34 и 35). 226 Таблица 22. Результаты изменения уровня знаний в контрольной и экспериментальной группах дои после апробации первого этапа эксперимента Уровень знаний Контрольная группа до начала апробации (%) Экспериментальная группа до начала апробации (%) Контрольная группа после начала апробации (%) Экспериментальная группа после начала апробации (%) Низкий 18,18 18,18 27,27 0,00 Средний 45,45 45,45 63,64 54,55 Высокий 36,36 36,36 9,09 45,45 Рис. 34. Гистограмма контрольной и экспериментальной групп до начала апробации первого этапа эксперимента 227 Рис. 35. Гистограмма контрольной и экспериментальных групп после окончания апробации первого этапа эксперимента Таблица 23. Эмпирические значения критерия КГ до начала апробации ЭГ до начала апробации КГ после окончания апробации ЭГ после окончания апробации КГ до начала апробации 0 0 2,33 2,40 ЭГ до начала апробации 0 0 2,33 2,40 КГ после окончания апробации 2,33 2,33 0 6,90 ЭГ после окончания апробации 2,40 2,40 6,90 0 Критическое значение равно 5,99, а эмпирическое − 6,90, те. χ 2 крит < χ 2 эмп , остальные значения представлены в Таблице 23. 228 Достоверность различий характеристик сравниваемых выборок составляла 95%, следовательно, гипотеза H0 была отвергнута. Значит, доказан положительный эффект применения экспериментальной методики обучения. Результаты первого блока нашли отражение в ряде публикаций Салахова А.А., Изучение интеллектуальных алгоритмов на примере реализации Apriori в углубленном курсе информатики Информатика, Издательский дом Первое сентября, N05 (687), 1- 31.05.2016, май-июнь 2016 г Салахова А.А., Изучение интеллектуальных алгоритмов в углубленном курсе информатики на примере реализации алгоритма Apriori», материалы Международного молодежного научного форума ЛОМОНОСОВ / Отв. ред. И.А. Алешковский, А.В. Андриянов, Е.А. Антипов. Электронный ресурс — М МАКС Пресс, 2016 Салахова А.А., Реализация самообучающегося алгоритма Apriori на языке C++ в курсе информатики углублённого уровняв старшей школе, Материалы студенческой научной сессии (Москва, 28 – 31 марта 2016 г) Под ред. Крупицына Е.С./ – Москва МПГУ, 2016 Входе апробации было принято участие в XXIII Международной конференции студентов, аспирантов и молодых учёных Ломоносов. Доклад получил награду как лучший. Также работа была представлена на внутреннем Конкурсе научных работ МПГУ 2016 года. Второй блок 2019 - 2020 гг также предусматривал выдвижение статистической гипотезы Н Различия между результатами экспериментальной и контрольной выборок незначительны с уровнем значимости α=0,05». Вначале каждого урока проводился текущий контроль с помощью систем интерактивных опросов (например, Mentimetr), позволяющих учителю мобильно изменять содержание урока, включая или исключая 229 некоторые элементы внутри кейсов. Каждый кейс также был логически завершённой единицей. Данный приём соответствует методологии пример гибкой (agile) методологии разработки единый модуль Искусственный интеллект и наука о данных разбивался на спринты, темами которых становились отдельные задачи глубинного анализа данных, причём разные спринты имели своё количество проходных баллов (Story points), измеряемых в отводимых на изучение темы часах. Поскольку все задания и материалы упаковывались в кейсы, то Story points отображали ценность кейса его решение давало определённое количество баллов, учитываемое в итоговом рейтинге в сумме с итоговым тестом. Распределение этих баллов представлено в Таблице 24: Таблица 24. Распределение проходных баллов по модулю Искусственный интеллект и наука о данных Название спринта (Sprint) Проходные баллы (Story points), чурочная+ внеурочная нагрузка) Введение в искусственный интеллект и знакомство с наукой о данных. Дорожная карта проекта 2 + 2 Классификация 1 + 1 Кластеризация 1 + 1 Регрессия 2 + 1 Ассоциация 2 + 1 Экспертные системы 1 + 1 ИТОГО 9 + 7 (16) Отметим, что собеседования с получением обратной связи для изменения курса также входят в список инструментов методологии SCRUM. 230 Уровень знаний составлялся как процент от максимального количества набранных баллов из двух компонентов — освоенных Story points и процента итого тестирования, где снова низкий уровень — до 45%, средний — от 46 до 75%, высокий — от 75% до 100%. Результаты измерения представлены в Таблице 25 и на гистограммах см. Рис. 36 и 37). Таблица 25. Результаты изменения уровня знаний в контрольной и экспериментальной группах дои после апробации второго этапа эксперимента Уровень знаний Контрольная группа до начала апробации (%) Экспериментальная группа до начала апробации (%) Контрольная группа после начала апробации (%) Экспериментальная группа после начала апробации (%) Низкий 10,34 6,90 13,79 0 Средний 51,72 55,17 65,52 51,72 Высокий 37,94 37,93 20,69 48,28 Рис. 36. Гистограмма контрольной и экспериментальной групп до начала апробации второго этапа эксперимента 231 Рис. 37. Гистограмма контрольной и экспериментальных групп после окончания апробации второго этапа эксперимента Количество обучающихся экспериментальной группы, набравших достаточно баллов для высокого уровня, заметно увеличилось, в тоже время количество обучающихся с низким уровнем значительно сократилось до одного обучающегося). Результаты в контрольной выборке в целом не претерпели значительных изменений. Проверим выдвинутую гипотезу с помощью критерия Пирсона. 232 Таблица 26. Эмпирические значения критерия χ 2 для второго блока эксперимента КГ до начала апробации ЭГ до начала апробации КГ после окончания апробации ЭГ после окончания апробации КГ до начала апробации 0 0,23 2,08 3,36 ЭГ до начала апробации 0,23 0 2,39 2,39 КГ после окончания апробации 1,94 2,39 0 7,67 ЭГ после окончания апробации 3,36 2,39 7,67 0 Критическое значение равно 5,99, а эмпирическое – 7,67, те. χ 2 крит < χ 2 эмп , остальные значения представлены в Таблице 26. Достоверность различий характеристик сравниваемых выборок составляла 95%, следовательно, гипотеза H0 была отвергнута. Значит, доказан положительный эффект применения экспериментальной методики обучения. 233 Выводы к главе 3: Из двух блоков эксперимента можно сделать вывод, что предложенная методика доказала свою результативность. Более того, если мы сравним показатели при первом (частичном) и втором (полном) внедрении экспериментальной методики, то увидим, что лучший результат достигается непосредственно при полном погружении обучающихся в тему. Резюмируя результат проведённых опросов, интервью и непосредственно блоков эксперимента мы можем сделать следующие выводы обучающиеся являются активными пользователями технологии искусственного интеллекта, поэтому его изучение для них актуально учителя осознают необходимость изучения ИИ в школе, хотя не все понимают, каким образом данную тему можно встроить в курс информатики экспериментальная методика, где содержание преподносится системно, эффективнее традиционной методики преподавания и экспериментальной методики, предусматривающей изучение отдельных интеллектуальных алгоритмов. 234 Заключение Входе проведения данного исследования были достигнуты следующие результаты 1. На основании анализа научной, учебной, методической литературы, посвященных развитию и применению искусственного интеллекта в науке и образовании были выделены основные направления использования искусственного интеллекта в образовании для корректного позиционирования данной темы в школьной информатике. 2. На основе анализа международного опыта и особенностей Российской системы образования были обоснованы и сформулированы цифровые компетенции, формируемые при изучении основ искусственного интеллекта и анализа данных на уровне среднего общего образования в качестве целевого компонента методики обучения информатике. 3. На основании выделенных цифровых компетенций и их конкретизации в виде планируемых результатов обучения основам ИИ была разработана деятельностная модель обучения основам ИИ и анализу данных и раскрыто содержание изучаемых вопросов в области искусственного интеллекта и анализа данных. 4. Предложенная деятельностная модель стала основой методики обучения основам ИИ и анализу данных в курсе информатики за счет возможности интеграции вопросов искусственного интеллекта, компьютерного моделирования и программирования на уровне среднего общего образования. 235 Список литературы 1. Айвазян, С. А. Прикладная статистика классификация и снижение размерности / С. А. Айвазян. и др. – М. : Финансы и статистика, 1989. – 607 c. 2. Акимкина, Э.Э., Аббасов Э.М., Нгуен К.Т. Обучение основам оперативного анализа данных // Инновационные технологии в современном образовании. Сборник материалов VI Международной научно-практической интернет-конференций. 2019. С. 19-27. 3. Актуальные тенденции рынка искусственного интеллекта и машинного обучения // TAdviser и «Инфосистемы Джет» URL: http://www.tadviser.ru/images/4/4/Исследование_Инфосистемы_Джет_и_Ta dviser_рынка_систем_Искусственного_интеллекта.doc (дата обращения 17.03.2019) 4. Асмолов, А. Г Системно-деятельностный подход к разработке стандартов нового поколения / А. Г. Асмолов // Педагогика. –– 2009. — № 4. — С. 18 – 22. 5. Афонин, В.Л., Макушин, В.А. Интеллектуальные робототехнические системы : курс лекций : учеб. пособие для студентов вузов, обучающихся по специальностям вобл. информ. технологий. - М Интернет-Ун-т Информ. Технологий, 2017. - 208 с. 6. Баженов, Р.И., Ковалева ИВ Разработка веб-квеста по технологиям искусственного интеллекта // Информационные технологии в организации единого образовательного пространства. Сборник статей по материалам XII Международной научно-практической конференции преподавателей, студентов, аспирантов, соискателей и специалистов. Мининский университет. 2019. С. 22-28. 7. Байкова, Ф.Ф. Применение геймификации при обучении основам искусственного интеллекта в рамках элективного курса по информатике // Шаг в науку. Материалы XII Региональной научно-практической конференции студентов и магистрантов ИФМИТО НГПУ. Новосибирск, 2021. С. 32-33. 8. Бешенков, С. А Еще раз о формализации и моделировании в курсе информатики / С. А. Бешенков // Информатика и образование. — 2005. — № 3. — С. 17–18. 9. 9. Бешенков, С. А, Ракитина, Е. А. Информатика. Систематический курс учебник, для го класса / С. А. Бешенков, Е. А. Ракитина. — М Лаборатория Базовых Знаний, 2001. — 432 сил. Босова, Л. Л Информатика. 10 класс учеб. / Л. Л. Босова, А. Ю. Босова. — М Бином. Лаборатория знаний, 2016. — 288 с. 11. Босова, Л. Л Информатика. 10–11 классы. Базовый уровень методическое пособие / Л. Л. Босова, А. Ю. Босова, НА. Аквилянов и др. — М Бином. Лаборатория знаний, 2016. — 256 с. 12. Босова, Л. Л Информатика. 11 класс. Базовый уровень учеб. / Л. Л. Босова, А. Ю. Босова. — М Бином. Лаборатория знаний, 2016. — 256 с. 236 13. Босова, Л. Л. Как учат программированию в XXI веке отечественный и зарубежный опыт обучения программированию в школе / Л. Л. Босова // Информатика и образование. — 2018. — № 6. — С. 3–11, 247 14. Босова, Л. Л Современные тенденции развития школьной информатики в России и за рубежом / Л. Л. Босова // Информатика и образование. — 2019. — № 1 (300). — С. 22–32. 15. Босова, Л. Л, Нателаури, Н. К, Самылкина Н. Н Профессиональные компетенции учителя в цифровой образовательной среде / Л. Л. Босова, Н.К. Нателаури, Н.Н. Самылкина // Ученые записки ИУО РАО. — М Институт управления образованием Российской академии образования. — 2018. — № 4. — С. 33–37. 16. Босова, Л. Л, Самылкина Н. Н Информатика на уровне среднего общего образования основные подходы к реализации / Л. Л. Босова, Н. Н. Самылкина // Стандарты и мониторинг. — 2020. — № 7. 17. Босова, Л. Л, Самылкина Н. Н Современная информатика от робототехники до искусственного интеллекта / Л. Л. Босова, Н. Н. Самылкина // Информатика в школе. —2018. — № 8. — С. 2–5. 18. Бротиковская, Д Алгоритм k-means (AlgoWiki) Электронный ресурс. – Режим доступа : http://algowiki-project.org/ru/_k-means, свободный. (дата обращения 30.09.2020) 19. Воронцов, КВ Искусственные нейронные сети Электронный ресурс. – Режим доступа : https://www.youtube.com/watch?v=Rn3GJcCQVzQ (дата обращения 30.12.2020) 20. Воронцов, КВ Лекции по алгоритмам кластеризации и многомерного шкалирования Электронный ресурс. – Режим доступа : http://www.cs.ru/voron/download/Clustering.pdf дата обращения 27.03.2019) 21. Гаврилов, А.В. Системы искусственного интеллекта Учеб. пособие в х ч. – Новосибирск Изд-во НГТУ, 2001 Электронный ресурс. – Режим доступа http://ermak.cs.nstu.ru/neurotech/html/metodmat/ism2011/AISystems.pdf (дата обращения 11.06.2020) 22. Гаврилова, ТА, Хорошевский, В. Ф Базы знаний интеллектуальных систем — СПб: Питер, 2000. — 384 с. 23. Гамматаева С. Л, Курбанова ДР Изучение курса анализа данных бакалаврами-экономистами при помощи использования информационных технологий // Modern Science. 2020. № 11-4. С. 207-210. 24. Гейн, А. Г, Ливчак, А. Б, Сенокосов, АИ, Юнерман, НА. Информатика и ИКТ: учебник для 10 класса общеобразовательных учреждений. - М Просвещение, 2014. - 272 c. 25. Герасимова, АС Деятельностная модель обучения как путь целенаправленного развития мотивации учения студентов / АС. Герасимова ; НИУ БелГУ // Социально-экологическое образование 237 учащейся молодежи проблемы и перспективы : сб. науч. ст. / НИУ БелГУ; отв. ред. В.С Шилова. - Белгород, 2013. - Вып.3.-С. 86-93. 26. Герасимова, АС Ценностно-деятельностный подход к психодиагностике учебной мотивации студентов / АС. Герасимова // Знание. Понимание. Умение. – 2009. – № 4. – С. 116-121. 27. Гершунский, Б. С Философия образования для ХХІ века (в поисках практически ориентированных образовательных концепций) / Б. С. Гершунский. — М Совершенство, 1998. — 608 с. 28. Гефан Г. Д, Базилевский М. П Сопоставление дисперсионного и регрессионного подходов на примере анализа данных о движении городского транспорта // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 1 (132). С. 58-68. 29. Гибадуллин, А. А. Программирование интеллектуальных компьютерных игр в обучении // Педагогика в теории и на практике актуальные вопросы и современные аспекты. Сборник статей II Международной научно- практической конференции. 2019. С. 60-62. 30. Гифт, Н Прагматичный ИИ. Машинное обучение и облачные технологии. - СПб.: Питер, 2019. - 304 с. 31. Глухих, И. Н. Интеллектуальные информационные системы учебное пособие. - е изд, перераб. и доп. изд. - М Проспект, 2020. - 136 с. 32. Грас, Дж Data Science. Наука о данных с нуля Перс англ. - СПб.: БХВ- Петербург, 2019. - 336 с. 33. Елизаров А. А, Бородин МН, Самылкина Н. Н Учебный проект в школе высокий педагогический результат / А. А. Елизаров и др. — М Лаборатория знаний, 2019. — 64 сил. Ершов, А. ПО предмете информатики / А. П. Ершов // Вестник АН СССР. — 1984. — № 2. — С. 112–113 // Архив академика А. П. Ершова Электронный ресурс. Папка 267. Информатика. Л. 166–167 / Режим доступа http://ershov.iis.nsk.su/archive. 35. Загорулько, Ю. А. Загорулько, Г. Б. Искусственный интеллект. Инженерия знаний учебное пособие для вузов. - М Издательство Юрайт, 2020. - 93 с. 36. Зеленков Ю. А, Анисичкина Е. А. Динамика исследований в области интеллектуального анализа данных тематический анализ публикаций залет Бизнес-информатика. 2021. Т. 15. № 1. С. 30-46. 37. Иванов Ю. В, Корепанов АР. Лабораторная работа по анализу данных детектора cms большого адронного коллайдера // Проблемы учебного физического эксперимента. Сборник научных трудов. Материалы XXIV Всероссийской научно-практической конференции с международным участием. Ответственный редактор В. В. Майер. 2019. С. 80-83. 38. Информатика. 8-11 классы Практикум в 2 частях Часть 1 / Н. Н. Самылкина, И. А. Калинин, А. А. Салахова, В. В. Тарапата. – Москва : ООО "Издательство "БИНОМ. Лаборатория знаний, 2020. – 144 с. 238 39. Информатика. 8-11 классы Практикум в 2 частях Часть 2/ Н. Н. Самылкина, И. А. Калинин, А. А. Салахова, В. В. Тарапата. – Москва : ООО "Издательство "БИНОМ. Лаборатория знаний, 2020. – 144 с. – 40. |