Abstract
The article presents the results of a study of approaches to the creation of a computer diagnostic adaptive testing system. The structure of diagnostic tasks in the format of a case is described as a system consisting of diagnostic and training components, an example of a case for solving logarithmic equations is considered.

Key words: adaptive learning, adaptive testing, computer adaptive testing system, diagnostic tasks, CAT.

----------------

В настоящее время адаптивное обучение рассматривается как один из трендов цифровой трансформации системы образования. Следует отметить, что первые исследования по теории и практике адаптивного обучения относятся к 50-60-м годам прошлого столетия, и их появление связывают с появление (Б.Ф. Скиннер) и дальнейшим развитием программированного обучения. В дальнейшем теория и практика адаптивного обучения (в том числе работы по созданию компьютерных систем адаптивного обучения и тестирования) эволюционировала адекватно развитию информационно-коммуникационных технологий, переживая при этом периоды подъема и спада интереса со стороны ученых педагогов, психологов и ИТ-специалистов [2]. Обращение в первой четверти XXI века к накопленному научному потенциалу по адаптивному обучению объясняется с одной стороны, востребованностью электронного обучения, а с другой стороны, имеющимися очевидными проблемами обеспечения индивидуализации и персонализации электронного обучения. Следует отметить, что в условиях развития электронного обучения (в том числе и дистанционных образовательных технологий) особое значение приобретает автоматизация проверки образовательных результатов обучающихся, что инициирует проектирование и разработку систем компьютерного адаптивного тестирования (КАТ). Результаты анализа научных исследований российских [1], [2], [4], [5] и зарубежных [6], [7], [8], [9], [10] ученых позволили выявить различные подходы к созданию адаптивных тестов (варьирование уровня сложности по выделенным критериям, многоступенчатость и многосегментность, применение методов искусственного интеллекта и т.д.) и система КАТ (адаптация по количеству предъявляемых тестовых заданий, по времени выполнения теста, по уровню сложности тестовых заданий или вопросов). При этом большинство разработанных и реализуемых систем КАТ не ориентирована на выявление причин неуспешного выполнения тестовых заданий. Если для системы профессионального образования такая задача не является ключевой, то для системы общего образования выявление причин неуспеваемости, в том числе неусвоения предметного содержания, представляется актуальной и значимой задачей.

В РГПУ им. А.И. Герцена, начиная с 2019 года проводятся исследования по разработке теоретических подходов к созданию системы КАТ, обеспечивающей в том числе диагностику затруднений учащихся и последующий индивидуальный подбор учебного материала, обеспечивающего методически обоснованную последовательность действий по устранению этих затруднений [3].

Таким образом, модель создаваемой системы компьютерного адаптивного диагностического тестирования (КАДТ) должна обеспечивать возможность диагностирования причинных факторов невыполнения обучающимся того или иного задания; подбор и предъявление учебного материала, актуального для каждого конкретного обучающегося с учетом выявленных проблем; повторное выполнение заданий.

Предлагается проектировать диагностические задания в формате кейса (или наборов кейсов). Каждый кейс представляет систему, состоящую из двух компонентов:

• диагностический компонент – одно комплексное задание с системой вспомогательных заданий;
   
• обучающий компонент – набор выводов и рекомендаций по результатам выполнения диагностического компонента; теоретические сведения и примеры решений аналогичных заданий; набор тренажеров.

При таком подходе возможно выделение уровней заданий в зависимости от сформированных умений, необходимых для решения заданий (Таблица 1):

• первый уровень (самый высокий) в рамках изучаемой темы – комплексные задания, предполагающие при выполнении задания интеграцию более простых умений (умения второго уровня);
   
• второй уровень – более простые задания, предполагающие использование умений, которые должны быть сформированы для выполнения задания 1 уровня.
   
• третий уровень – еще более простые задания, предполагающие использование умений, которые должны быть сформированы для выполнения задания 2 уровня и т.д. до элементарных, одношаговых заданий, опирающихся на использование 1 факта или элементарного умения.

Для большинства комплексных заданий достаточно будет третьего уровня, на котором уже будут выделяться элементарные умения.

Таблица 1

Уровни заданий в зависимости от сформированных умений

Проиллюстрируем структуру кейса на примере заданий на решение логарифмического уравнения (Таблица 2).

Таблица 2

Структура кейса на примере заданий на решение логарифмического уравнения

Как следует из структуры кейса, система КДАТ должна для выявления причин неверного решения обеспечить предъявление обучающемуся простых заданий на выделенные умения, и, в зависимости от результата при условии их ошибочного решения или отсутствия ответа, предоставить возможность перехода к фрагментам теоретического учебного материала и выполнению вспомогательных заданий на отработку конкретных умений, несформированность которых явилась причиной невыполнения исходного тестового задания. После того как обучающийся выполнил все вспомогательные задания, система КДАТ должна предложить задание, аналогичное тому, с которым обучающийся не справился (в примере выше – задание на решение логарифмического уравнения).

Таким образом, для каждого комплексного умения в рамках каждой темы выделяются более простые умения и элементы теоретических знаний. На основе нерешенного задания каждому обучающемуся выдается свой, индивидуальный набор заданий, который направлен на устранение тех пробелов в знаниях и умениях, которые характерны именно для него. Иными словами, выстраивается индивидуальная траектория устранения ошибок.
 

Литература

1. Векслер В.А., Отроков Д.А. Адаптивное тестирование как вид объективного контроля знаний, умений и навыков обучаемых и одного из способов повышения качества образования // NovaInfo. – 2018 – Т.1. – № 94. – С.170-174. – URL: https://www.elibrary.ru/item.asp?id=36555165 [Дата обращения 10.01.2022]

2. Вихрев В.В. Цифровая трансформация образования и проблематика адаптивного обучения // Материалы XI Всерос. (с межд. участием) научно-практ. конф. «Информационные технологии в образовании». – 2019. – С. 44-48.

3. Конструирование заданий для системы адаптивного тестирования по математике: научно-методическое пособие / В. И. Снегурова, Н. С. Подходова, А. Г. Беленко, М. С. Родионова, И. Б. Готская; Российский государственный педагогический университет им. А. И. Герцена / под науч. ред. В. И. Снегуровой, Н. С. Подходовой. — Санкт-Петербург: Изд-во РГПУ им. А. И. Герцена, 2021. — 64 с., ил.

4. Симченко Н.Н., Аристанов А.А. Проектирование обучающей системы с адаптивным тестированием // Инновационная наука. – 2019. – №6. – С. 64-68. – URL: https://cyberleninka.ru/article/n/proektirovanie-obuchayuschey-sistemy-s-adaptivnym-testirovaniem/viewer [Дата обращения 10.01.2022]

5. В.И.Снегурова, И.Б.Готская. О результатах анализа систем компьютерного адаптивного тестирования // Письма в Эмиссия.Оффлайн (The Emissia.Offline Letters): электронный научный журнал. 2020. №10 (октябрь). ART 2879. URL: http://emissia.org/offline/2020/2879.htm [Дата обращения 10.01.2022]

6. Choi Y, McClenen C. (2020). Development of Adaptive Formative Assessment System Using Computerized Adaptive Testing and Dynamic Bayesian Networks. Applied Sciences, 2020, 10(22):8196. – URL: https://doi.org/10.3390/app10228196 [Дата обращения 10.01.2022]

7. Delgado-Gómez D., .Laria J.C., Ruiz-Hernández D. (2019). Computerized adaptive test and decision trees: A unifying approach // Expert Systems with Applications. March 2019, V.117. pp. 358-366. – URL: https://www.sciencedirect.com/science/article/abs/pii/S0957417418306298 [Дата обращения 10.01.2022]

8. Eggen T.J.H.M. (2018) Multi-Segment Computerized Adaptive Testing for Educational Testing Purposes. Front. Educ., 2018, 3:111. – URL: https://www.frontiersin.org/articles/10.3389/feduc.2018.00111/full [Дата обращения 10.01.2022]

9. Lynch M. My Vision for the Future of Adaptive Learning in Education. June 5, 2018 [Электронный ресурс]. – URL: https://www.theedadvocate.org/vision-future-adaptive-learning-education/ [Дата обращения 10.01.2022]

10. Samsudin M. A., Som Chut T., Ismail M. E. (2019). Evaluating Computerized Adaptive Testing Efficiency in Measuring Students’ Performance in Science TIMSS. Jurnal Pendidikan IPA Indonesia (Indonesian Journal of Science Education). [S.l.], 2019, vol 8, № 4, pp. 547-560. – URL: https://journal.unnes.ac.id/nju/index.php/jpii/article/view/19417 [Дата обращения 10.01.2022]

Рекомендовано к публикации:
А.А.Ахаян, доктор педагогических наук, член Редакционной Коллегии

Literature

1. Veksler V.A., Otrokov D.A. Adaptivnoe testirovanie kak vid ob’ektivnogo kontrolya znanii, umenii I navikov obucharmihsia I odnogo iz sposobov povishenia kachestva obrazovania // NovaInfo. – 2018 – T.1. – № 94. – С.170-174. – URL: https://www.elibrary.ru/item.asp?id=36555165 [Data obrashcheniya 10.01.2022]

2. Vihrev V.V. / Cifrovaiz transformacia obrazovania I problematika adaptivnogo obuchenia // Materiali XI Vseros. (s mezhd. uchastiem) nauchno-prakt. konf. «Informacionnie tekhnologii v obrazovanii». – 2019. – s. 44-48.

3. Konstruirovanie zafanii dlia sistemi adaptivnogo testirovania po matematike: nauchno-metodicheskoe posobie / V.I.Snegurova, N.S.Podhodova, A.G.Belenko, I.B.Gotskaia; Ropssiski gosufarstvenni pedagogicheski universitet im. A.I.Gerzena / pod nauch. red. V.I. Snegurovoi, N.S.Podhodovoi. — Sankt-Peterburg: Izd-vo RGPU im. A.I.Gerzena, 2021. — 64 s., il.

4. Simchenko N.N., Aristanov A.A. Proektirovanie obuchauchsei sistemiсистемы s adaptivnim testirovaniem // Innovacionnaia nauka наука. – 2019. – №6. – s. 64-68. – URL: https://cyberleninka.ru/article/n/proektirovanie-obuchayuschey-sistemy-s-adaptivnym-testirovaniem/viewer [Data obrashcheniya 10.01.2022]

5. V.I.Snegurova, I.B.Gotskaya. O rezul'tatakh analiza sistem komp'yuternogo adaptivnogo testirovaniya // Pis'ma v Emissiya.Offlayn (The Emissia.Offline Letters): elektronnyy nauchnyy zhurnal. 2020. №10 (oktyabr'). ART 2879. URL: http://emissia.org/offline/2020/2879.htm [Data obrashcheniya 10.01.2022]

6. Choi Y, McClenen C. (2020). Development of Adaptive Formative Assessment System Using Computerized Adaptive Testing and Dynamic Bayesian Networks. Applied Sciences, 2020, 10(22):8196. – URL: https://doi.org/10.3390/app10228196 [Data obrashcheniya 10.01.2022]

7. Delgado-Gómez D., .Laria J.C., Ruiz-Hernández D. (2019). Computerized adaptive test and decision trees: A unifying approach // Expert Systems with Applications. March 2019, V.117. pp. 358-366. – URL: https://www.sciencedirect.com/science/article/abs/pii/S0957417418306298 [Data obrashcheniya 10.01.2022]

8. Eggen T.J.H.M. (2018) Multi-Segment Computerized Adaptive Testing for Educational Testing Purposes. Front. Educ., 2018, 3:111. – URL: https://www.frontiersin.org/articles/10.3389/feduc.2018.00111/full [Data obrashcheniya 10.01.2022]

9. Lynch M. My Vision for the Future of Adaptive Learning in Education. June 5, 2018 [Электронный ресурс]. – URL: https://www.theedadvocate.org/vision-future-adaptive-learning-education/ [Data obrashcheniya 10.01.2022]

10. Samsudin M. A., Som Chut T., Ismail M. E. (2019). Evaluating Computerized Adaptive Testing Efficiency in Measuring Students’ Performance in Science TIMSS. Jurnal Pendidikan IPA Indonesia (Indonesian Journal of Science Education). [S.l.], 2019, vol 8, № 4, pp. 547-560. – URL: https://journal.unnes.ac.id/nju/index.php/jpii/article/view/19417 [Data obrashcheniya 10.01.2022]