Принятие решения в обучении

Сентябрь 02, 2015 By: admin Category: Разное

С другой стороны, можно оперировать не вероятностями, а суммарными оценками; тогда для дискриминантного решения достаточно учитывать знак полученной оценки, а при статистическом решении границы «зоны сомнительности® те же, что и в последовательном анализе.

В силу этого главное отличие обоих методов заключается в том, что при прогнозировании в одном случае признаки берутся в порядке различительной способности и учитываются только до тех пор, пока не достигнут один из заранее определенных пределов, в другом случае для каждого объекта учитываются все признаки предсказателя и решение принимается после получения индивидуальной оценки — суммарного балла или вероятности принадлежности к данной группе.

Отметим также, что «веса» элементарных наблюдений в последовательном анализе более умеренные, чем в алгоритме Бейеса; это и понятно, так как иначе последовательный анализ слишком часто подвергался бы принятию ошибочных решений.

На практике педагогического и психологического исследования встречается одна трудность, которая увеличивает возможность ошибочного решения, принимаемого с помощью указанных алгоритмов. Она связана с тем, что логаритмическая функция с приближением к нулю обращается в бесконечность. Поэтому в случае нулевой относительной частоты (а по алгоритму Бейеса — и в случае единичной частоты) решение принимается только по одному этому элементарному наблюдению, без учета других: в группу с рк = О не может быть отнесен объект, у которого к-ое элементарное наблюдение с положительным исходом (т.е. закодировано единицей), а группе с рк = I не может принадлежать объект с соответствующим отрицательным эле-, ментарным наблюдением. В то же время ясно, что при использовании экспериментальных методик и других способов сбора информации, основанных на некотором обследовании ученика, всегда существует возможность случайного появления правильного ответа или.другого вида реакции, хотя при проведении исследовательской работы такие факты не встречались. Еще чаще могут встретиться случаи, когда «легкое» для данной группы задание (при проведении исследовательской работы оно решалось всеми учениками группы, поэтому для него рк = I) при прогнози, ровании случайно не решается учеником, по другим элементарным наблюдениям явно принадлежащим к этой группе. Чтобы избежать такцх «неприятных” случаев, из-за которых разработанная методика психологической диагностики и прогнозирования результатов будущей деятельности может быть признана непригодной, мы, применяя описанные алгоритмы, обычно избегали оценок вероятностей рк = 0 и рк = I.

В качестве примера используем те же данные, что и при иллюстрации дискриминантного анализа, а, именно рассмотрим способность диагностических методик предсказывать тип школы, в которой учится ученик. В данном случае могли бы взять первичные, несведенные в шкальные оценки. Но для того, чтобы показать возможность использования интервальных оценок и чтобы сопоставить результаты дискриминантного анализа с результатами юассматюиваемых методик, используем вышеприведенную матрицу описаний.

Оптимальное разделение интервала оценок покажем на примере первого показателя. Так как количество учеников небольшое, интервал оценок разделим на 4 группы. Для этого интервал разделим на две части так, чтобы по этому показателю оовершалась наименьшая ошибка различения групп.

Comments are closed.



Категории:


Дошкольное образование