Cтраница 2
Среди комплекса задач, решение которых направлено на повышение эффективности и качества обучения в высшей школе, одно из важных мест занимает задача совершенствования проверки и оценки качества знаний. Повышение требований к качеству подготовки специалистов обуславливает соответствующее повышение роли вузовской системы контроля знаний. Контроль является необходимым условием для эффективного управления учебно-воспитательным процессом. От того, насколько действенна система контроля, в значительной степени зависит успех обучения. Контроль устанавливает степень соответствия знаний, умений и навыков, сформированных обучаемыми в процессе учения, с поставленной учебной целью. [16]
Оно не столь существенно, как можно подумать, так как многое зависит от организации учебного материала. Кроме того, не существует настоящих критериев успешности обучения. Иногда, скажем, экспериментируют, если можно это так назвать, преподавая некоторый определенный материал и констатируя, что учащиеся его поняли. Эта констатация может означать всякое: ученики кивают головами или могут решать задачи, подставляя в формулы конкретные числа. Успех обучения констатируют на том или ином учебном материале. Это дешевый успех, ибо всему конкретному, отдельно взятому можно обучить при необходимом усилии, особенно если это конкретное незначительно по объему и не требует глубины понимания. Однако с такой лишь локальной уверенностью мало что можно начинать всерьез. [17]
Для успешного партнерства рабочие должны привлекаться к каждой стадии образовательного процесса, а не только к занятиям в классе. Рабочие должны участвовать в ответах на связанные с обучением вопросы кто, что, где, когда и как. Чьи потребности будут удовлетворены и как будет измеряться успех обучения. [18]
Если эта оценка удовлетворительна и априорное значение распределения соответствует истинным распределениям, то задача параметрического обучения решена. Другой, непараметрический, подход заключается в том, что распределение вероятностей сигнала хотя и считаются объективно существующими и неизменными во времени, но априори они совершенно неизвестны, и никакие предположения о них не делаются. Вместо этого считается априори известны семейство v решающих, из которых с помощью выборки нужно отобрать наилучшую. Каждое такое семейство характеризуется емкостью, которая определяет разнообразие входящих в него функций. В простейших случаях его емкость равна числу настраиваемых при обучении параметров. Доказано, что если емкость семейства конечна, то можно указать необходимый объем обучающей выборки ( т.е. число входящих в выборку реализаций сигнала), при котором мижно получить достаточно точную оценку вероятности ошибочной классификации для всей совокупности сигналов, включающей и сигналы не вошедшие в выборку. Если семейство содержит функцию, адекватную существующим распределениям, то непараметрическая задача распределения успешно решается. Следовательно, успех обучения и в этом случае зависит от априорной информации. При создании алгоритмов непараметрического обучения сталкиваются со следующим противоречием: чем шире класс решающих функций, тем больше шансов, что он содержит подходящую для данной конкретной задачи функцию, но тем больше необходима длина обучающей выборки. [19]