НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o253.pdf (957.01Кб)

УДК 519.6

Россия,  МГТУ им. Н.Э. Баумана

Различаем предметные, креативные и когнитивные метакомпетенции учащегося или, другими словами, его метапредметные, метакреативные и метакогнитивные компетенции. Каждая из метакомпетенций определяется большим числом индикаторов. Например, для оценки регулятивной метапредметной компетенции учащегося могут быть использованы индикаторы, формализующие его способности к целеполаганию, планированию, организации, контролю, оценке, коррекции.
Известно относительно небольшое число работ, посвященных различным аспектам формирования и оценки метакомпетенций учащихся. В работе приводится краткий обзор этих работ. Показывается, что во всех случаях не обсуждаются алгоритмические аспекты оценок этих компетенций, так что данная работа в этом смысле является пионерской.
Задачу оценки метакомпетенций учащихся ставим как задачу машинного обучения (machine learning).
Рассматриваем следующие типы машинного обучения: обучение с учителем; обучение без учителя; обучение с частичным привлечением учителя; обучение с подкреплением; активное обучение; многозадачное обучение; многовариантное обучение. Предлагаем ряд методов количественной оценки метакомпетенций учащихся, основанных на применении указанных типов машинного обучения.
В заключении формулируем перспективы развития работы.
Работа выполнена при поддержке Минобрнауки России (проект 2014-14-579-0144).

Авторы сердечно благодарят своих коллег – Добрякова А.А. и Смирнову Е.В. за плодотворное сотрудничество и помощь в данной работе.

1. Erpenbeck J., Scharnhorst A., Ebeling W., Martens D., Nachtigall C., North K., Friedrich P., Lantz A. Metakompetenzen und Kompetenzentwicklung. QUEM-report, Schriften zur beruflichen Weiterbildung, Heft 95/Teil I. Berlin, 2006. Режим доступа :https://knaw.academia.edu/AndreaScharnhorst ( дата обращения 23.01.2015).
2. Bogo M., Katz E., Regehr C., Logie C., Mylopoulos M., Tufford L. Toward Understanding Meta-Competence: An Analysis of Students' Reflection on their Simulated Interviews // Social Work Education. 2013. Vol. 32, no. 2. Special Issue: Field Education in Social Work. P. 259-273. DOI: 10.1080/02615479.2012.738662
3. Scharnhorst A., Ebeling W. Evolutionary Search Agents in Complex Landscapes – a New Model for the Role of Competence and Meta-competence (EVOLINO and other simulation tools) // The Virtual Knowledge Studio: website. Available at:http://virtualknowledgestudio.nl/documents/_andreascharnhorst/arxiv_final.pdf, accessed 23.01.2015.
4. Грешилова А.В. Содержание метапредметных компетенций у студентов среднего профессионального образования // Magister Dixit: научно-педагогический журнал Восточной Сибири. 2014. № 1 (13). Режим доступа: http://md.islu.ru/sites/md.islu.ru/files/rar/greshilova_statya_md_0.pdf (дата обращения 10.02.2015).
5. Прокудина Ю.А. Формирование метапредметных знаний старшеклассников в условиях профильного обучения: дис. …канд. пед. наук. Н. Новгород, 2013. 169 с.
6. Фисенко Т.И. Как реализовать принцип метапредметности в процессе обучения // Персональный сайт учителя истории и естествознания Петрушиной И.В. Режим доступа:http://petrushina.ivsoft.ru/docs/kak-realizovat-princip-talerantnosti-v-processe-obucheniya.pdf (дата обращения 23.01.2015).
7. Бударина Н.А. Технология оценки достижения метапредметных результатов освоения основной программы «Химия» // Методисты. Профессиональное сообщество педагогов: сайт. Режим доступа:http://metodisty.ru/m/gnews/group/8/news/tehnologiya_ocenki_dostizheniya_metapredmetnyh_rezultatov_osvoeniya_osnovnoi_programmy_po_himii/ (дата обращения 23.01.2015).
8. Гущин Ю.Ф. Анализ особенностей оценки метапредметных результатов // Психология и методология образования: сайт. Режим доступа:http://psyhoinfo.ru/analiz-osobennostey-ocenki-metapredmetnyh-rezultatov (дата обращения 23.01.2015).
9. Уткина Т.Н. Система оценки достижений метапредметных результатов // Социальная сеть работников образования nsportal.ru. Режим доступа:http :// nsportal . ru / nachalnaya - shkola / mezhdistsiplinarnoe - obobshchenie /2012/01/20/ sistema - otsenki - dostizheniy (дата обращения 23.01.2015).
10. Чупрова О.Ф., Шумовская А.Г. Диагностика метапредметных умений студентов I курса: результаты, оценки, выводы // Вестник Иркутского государственного лингвистического университета. 2012. № 4. С . 198- 201.
11. Livingston J.A. Metacognition: an Overview // Graduate School of Education (GSE) at the University at Buffalo (UB): website. Available at:http://gse.buffalo.edu/fas/shuell/cep564/metacog.htm, accessed 30.01.2015.
12. Metcalfe J., Son L.K. Metacognitive and Control Strategies in Study-Time Allocation // Journal of Experimental Psychology: Learning, Memory, and Cognition. 2000. Vol. 26, no . 1. P. 204 -221. DOI: 10.1037//0278-7393.26.1.204
13. Карпов А.А. Взаимосвязи обучаемости и метакогнитивных качеств личности // Ярославский педагогический вестник. 2012. Т . 2, № 3. С . 228-235.
14. Лазарева О.В. Формирование метакогнитивной регуляции понимания научного текста // Письма в Эмиссия. Оффлайн: научно-педагогический интернет-журнал. 2012. № 8. Ст. 1843. Режим доступа:http :// www . emissia . org / offline /2012/1843. htm (дата обращения 30.01.2015).
15. Bishop C.M. Pattern Recognition and Machine Learning. Springer-Verlag New York , 2006. 740 p. (Series: Information Science and Statistics).
16. Belous V.V., Bobrovsky A.V., Dobrjkov A.A., Karpenko A.P., Smirnova E.V. Multicriterion integral alternatives’ estimation: mentally-structured approach to education // 2^nd International Conference on Education and Education Management (EEM 2012) (Hong Kong, China, September 4-5, 2012). Vol. 3. 2012. P. 215-224.
17. Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. Симферополь: ДИАЙПИ, 2014. 228 с. 
18. Scikit-learn. Machine Learning in Python: website. Available at:http://scikit-learn.org/stable/, accessed 30.01.2015.
19. Воронцов К.В. Лекции по алгоритмам кластеризации и многомерного шкалирования. 2007 // ВЦ РАН: сайт. Режим доступа:http://www.ccas.ru/voron/download/Clustering.pdf (дата обращения 30.01.2015).
20. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. Н . Э . Баумана , 2014. 446 с .
21. Zhu Xhu. Semi-Supervised Learning Literature Survey. Computer Sciences TR 1530. University of Wisconsin - Madison, 2008. 60 p.
22. Саттон Р.С., Барто Э.Г. Обучение с подкреплением: пер. с англ. М.: БИНОМ. Лаборатория знаний, 2012. 399 с. (Сер. Адаптивные и интеллектуальные системы).
23. Martyn M. Clickers in the Classroom: An Active Learning Approach // Educause Quarterly. 2007. No. 2. P. 71-74.
24. Varnek A., Gaudin C., Marcou G., Baskin I., Pandey A.K., Tetko I.V. Inductive Transfer of Knowledge: Application of Multi-Task Learning and Feature Net Approaches to Model Tissue-Air Partition Coefficients // Journal of Chemical Information and Modeling. 2009. Vol. 49, no. 1. P. 133-144. DOI: 10.1021/ci8002914
25. Хайкин С. Нейронные сети. Полный курс: пер. с англ. М.: Издательский дом «Вильямс», 2006. 1104 с.
26. Foulds J., Eibe F. A Review of Multi-Instance Learning Assumptions // Knowledge Engineering Review. 2010. Vol. 25, no. 1. P. 1-25. DOI: 10.1017/S026988890999035X