ПОБУДОВА МОДЕЛЕЙ ПОВЕДІНКИ СТУДЕНТІВ НА ОСНОВІ МАТРИЦЬ НЕЧІТКИХ ВІДНОСИН З УРАХУВАННЯМ ЇХ МОТИВАЦІЙ ДО ПІДВИЩЕННЯ УСПІШНОСІ
DOI:
https://doi.org/10.30977/BUL.2219-5548.2019.85.0.7Ключові слова:
успішність, кластерний аналіз, нечіткі множини, типологічні групи, продукційні моделі, невизначеність, формалізація, перерозподілАнотація
Актуальна проблема покращення успішності студентів вирішується різними методами та прийомами, зокрема й математичним моделюванням. Авторами статті були за-стосовані різні методи: кластерного аналізу, нечітких множин, продукційного моделювання. За результатами проведених експериментів були визначені п’ять моделей поведінки студентів під час складання заліків або іспитів. Отримані результати можуть бути використані для автоматизації формування індивідуальних методик навчання.Посилання
Lamb R. L., Vallett D. B., Akmal T., Baldwin K. A computational modeling of student cognitive processes in science education. Computers & Education. – 2014. – Vol. 79. – P. 116–125.
Stoyanova L. Y. The Learning Process Management in E-learning Environment in the Technology School «Electronic Systems» Associated with the Technical University of Sofia. Technological Developments in Education and Automation. – 2010. – P. 271–274.
Fazlollahtabar H. User/tutor optimal learning path in e-learning using comprehensive neuro-fuzzy approach. Educational Research Review. – 2009. – Vol. 4, Issue 2. – P. 142–155.
Dias S. B., Diniz J.A. Fuzzy QoI model: A fuzzy logic-based modelling of users' quality of interaction with a learning management system under blended learning. Computers & Education. – 2013. – Vol. 69. – P. 38–59.
Lupo T. A fuzzy ServQual based method for reliable measurements of education quality in Italian higher education area. Expert Systems with Applications. – 2013. – Vol. 40, Issue 17. – P. 7096–7110.
Chen S.-M., Li T.-S. Evaluating students’ answerscripts based on interval-valued intuitionistic fuzzy sets. Information Sciences. – 2013. – Vol. 235. – P. 308–322.
Kwok R. C. W., MC J., Vogel D., Zhou D. Collaborative assessment in education: an application of a fuzzy GSS, Information & Management. – 2001. – Vol. 39, Issue 3. – P. 243–253.
Shevchenko V. The distribution of students in typological groups using cluster analysis, depending on factors affecting performance. Digest materials of the internationally scientific and methodical conference «Problems of Integrated National Initiatives in Higher Education to the European Sanitary Center». Vol. 2 «Modern Landmarks to the Warmfulness of the Sanctuary». – Kharkiv: HNADU, 2012. – P. 120–123.
Shevchenko V. Prediction of student performance on the basis of cluster analysis methods. Bulletin HNADU: Sat. scientific tr. – Kharkiv: HNADU, 2015. – Vol. 68. – P. 18–21.
Shevchenko V., Kudin A. Algo-rhythmization of the cluster analysis procedure to predict students' progress. Car and Electronics. Modern technology. Electronic scientific professional edition. – Charkov, 2017. – Whip 11. – P. 64–67.
Shevchenko V. Building a model for predicting the level of knowledge acquired by students in the discipline «Informatics». Expert assessments of the elements of the educational process: materials XIII intercollege scientific-practical conf., Kharkiv, 2011. – P. 101–102.
Meteshkin K. Cybernetic pedagogy: theoretical foundations of educational management based on integrated intelligence: monograph. – Kharkiv: International Slavic University, 2004. – 400 p.
Orlovsky S. Decision making problems with fuzzy initial information. – Moscow: Science, 1981. – 208 p.
