ПРО ПІДВИЩЕННЯ РІВНЯ АДЕКВАТНОСТІ РЕЗУЛЬТАТІВ ОЦІНЮВАННЯ УЧБОВИХ ПРОЕКТІВ НА ОСНОВІ ПАРАМЕТРИЧНОЇ РЕЛАКСАЦІЇ МЕТОДУ ПАРНИХ ПОРІВНЯНЬ

УДК 004.82

Volume 66, Issue 1, 2021, pages 122-133

DOI: https://doi.org/10.34229/0572-2691-2021-1-11

Завантажити статтю 

Олецький Олексій Віталієвич, кандидат фізико-математичних наук, доцент Національного університету «Києво-Моги­лянська академія»

Махно Михайло Федорович, кандидат технічних наук, асистент Київського на­ціонального університету імені Тараса Шевченка

Abstract

Розглянуто проблему оцінювання учбових проектів студентів під час навчального процесу. Пропонується евристична методика  побудови автоматизованих систем алгоритмічного оцінювання, що базується на нечіткому оцінюванні об’єктів та на попарних порівняннях між ними. Для підвищення адекватності та природності оцінок пропонується підхід, що ґрунтується на введенні  релаксаційного параметра. Це дозволяє зменшити розкид між максимальними та мінімальними оцінками в порівнянні зі стандартною шкалою Сааті. Для оцінки найкращого варіанта застосовано один із методів нечіткого прийняття рішень, а саме метод центра тяжіння композиції «максимум–мінімум»; оцінки інших варіантів отримуються відповідним нормуванням. Крім того, пропонується алгоритм оцінювання для нетранзитивних відношень переваг, що базується на виділені сильно зв’язних компонент та попарних порівняннях між ними; при цьому для кожної підзадачі релаксаційні параметри слід підбирати окремо. Таким чином, пропонується комбінована методика оцінки альтернатив, яка залежить від таких параметрів, як релаксаційні параметри для матриць попарних порівнянь в межах окремих сильно зв’язних компонент; релаксаційний параметр для матриці попарних порівнянь між сильно зв’язними компонентами; нечітка функція належності, що задає якість найкращого варіанта.

REFERENCES

1. Саати Т. Принятие решений. Метод анализа иерархий. М. : Радио и связь, 1993. 278 с.
2. Черноруцкий И.Г. Методы принятия решений. СПб : БХВ-Петербург, 2005. 416 с.
3. Івохін Є.В., Махно М.Ф. Розробка засобів адаптивного тестування та автоматичного оцінювання знань. Вісник Київського національного університету імені Тараса Шевченка. Серія фіз.-мат.науки. 2015. № 1. С. 130–133.
4. Hambleton R.K., Jones R.W. Comparison of classical test theory and item response theory and their applications to test development. Educational Measurement: Issues and Practice. 1993. 12 (3). P. 38–47.
5.  Нейман Ю.М., Хлебников В.А. Введение в теорию моделирования и параметризации педагогических тестов. М. : Прометей, 2000. 168 c.
6. Lord F.M., Novick M.R. Statistical theories of mental test scores. Book; Reading, МА : Addison-Wesley, 1968. 593 p.
7. Croker L., Algina J. Introduction to classical and modern test theory. SF: Cengage Learning, 2006. 527 р.
8. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Рига : Зинатне, 1990. 184 с.
9. Лю Б. Теория и практика неопределенного программирования. М. : БИНОМ. Лаборатория знаний, 2005. 416 с.
10. Ivokhin E.V., Apanasenko D.V. Clustering of composite fuzzy numbers aggregate based on sets of scalar and vector levels. Journal of Automation and Information Sciences. 2018. 50, N 10. P. 47–59. DOI: 10.1615/JAutomatInfScien.v50. i10.40.
11. Глибовець М.М., Олецький О.В. Штучний інтелект. К. : Вид. дім «Академія», 2002. 366 с.
12. Семенова Н.В., Колечкина Л.Н., Нагорная А.Н. Векторные задачи оптимизации с линейными критериями на нечетко заданном комбинаторном множестве альтернатив. Кибернетика и системный анализ. 2011. № 2. С. 88–99.