Исследование прогностических возможностей системы "iWizard-E"
Анализ прогностических возможностей "iWizard-E" - интеллектуальной системы поддержки принятия решений, предназначенной для оказания помощи абитуриентам в выборе направления подготовки. Использование данной системы для формирования эффективных прогнозов.
| Рубрика | Педагогика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 11.11.2018 |
| Размер файла | 23,3 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
1, 2 Поволжский государственный университет телекоммуникаций и информатики, Самара, Россия
* Корреспондирующий автор (psv[at]psuti.ru)
Исследование прогностических возможностей системы «iWizard-E»
Пальмов С.В.1, *, Мифтахова А.А.2
Аннотация
интеллектуальный абитуриент прогностический
Исследованы прогностические возможности «iWizard-E» ? интеллектуальной системы поддержки принятия решений, предназначенной для оказания помощи абитуриентам в выборе направления подготовки. Проведена серия экспериментов, в которых системой производилась обработка различных выборок, содержащих индивидуальные характеристики студентов и информацию об окончании ими вуза, с последующим генерированием рекомендаций относительно выбора предпочтительного направления подготовки. После этого было выполнено сравнение реальных данных с предложенными системой. В качестве критерия использовалась F-мера. Установлено, что «iWizard-E» позволяет формировать эффективные прогнозы.
Ключевые слова: искусственный интеллект, интеллектуальная система поддержки принятия решений, интеллектуальный анализ данных, Orange.
Abstract
The article considers prognostic capabilities of iWizard-E, an intelligent decision support system designed to help entrants choose their future career. A series of experiments was performed; various samples containing individual characteristics of students and information about their graduation from the university were processed followed by recommendations for choosing a preferred direction. After that, the real data were compared with the option proposed by the system. The F-measure was used as the criterion. It is established that “iWizard-E” allows creating effective forecasts.
Keywords: artificial intelligence, intelligent decision support system, data mining, Orange.
Одна из самых острых проблем вузов в настоящее время - успеваемость. Это вызвано все возрастающими требованиями к студентам. Как следствие, возникла ситуация, требующая осуществления некоторых мероприятий, направленных на повышение успеваемости студентов. Традиционные способы уже не оказывают должного эффекта. Поэтому в последние годы в сфере образования наметилась отчетливая тенденция использования разнообразных информационных технологий для повышения успеваемости студентов.
На вероятность успешного окончания студентом вуза, а значит, и на его успеваемость, сильное влияние оказывает то, насколько «правильно» было выбрано направление подготовки. Одним из способов снижения вероятности ошибки выбора является выявление скрытых закономерностей между индивидуальными характеристиками студента (абитуриента) и результатом окончания вуза с последующим использованием полученной информации для помощи абитуриенту при выборе направления подготовки на этапе подачи документов в приемную комиссию. На взгляд авторов, наиболее эффективный способ автоматизации процесса оказания помощи абитуриенту в вышеуказанном вопросе - это использование интеллектуальной системы поддержки принятия решений (ИСППР), разработанной с использованием технологии интеллектуального анализа данных (ИАД). Такая ИСППР использует модель предметной области (прогностическая модель), которая на основе неких знаний (закономерностей) вырабатывает прогнозы (рекомендации). [5, С. 7].
Описание экспериментов
ИСППР упомянутого типа разработана, зарегистрирована в Реестре программ для ЭВМ (свидетельство №2018616979, ИСППР «iWizard-E»), а ее основные особенности описаны и протестированы в [5, С. 8-10]. Однако было решено провести дополнительное исследование возможностей iWizard-E, использовав для этого F-меру (F1), поскольку она позволяет эффективнее оценить качество формируемых системой прогнозов. F-мера рассчитывается по формуле: [6].
Исследование состояло из 11 экспериментов. В каждом из них, кроме первого, использовалось по пять выборок определенного типа (стратифицированная, bootstrap и с возвращением), созданных средствами системы Orange [7, С. 95] на основе исходного набора данных (2618 записей) из [5, С. 8-9]. В указанный исходный набор данных было внесено единственное изменение - целевой показатель «сведения об окончании вуза» принимает только два значения: закончил вуз \ не закончил вуз. Таким образом, в ходе серии экспериментов оценивалась способность ИСППР «iWizard-E» формировать достоверные прогнозы относительно вероятности успешного окончания студентом вуза для выбранного направления подготовки.
Кратко опишем использованные типы выборок:
Стратифицированная выборка формируется в два этапа, в результате чего генеральная совокупность делится на слои (страты). Страты должны взаимно исключать и взаимно дополнять друг друга, чтобы каждый элемент совокупности относился к одному и только одному слою, и ни один элемент не был упущен. Далее, из каждого слоя случайным образом выбираются элементы, при этом обычно используется метод простой случайной выборки [8].
Bootstrap-выборка - метод формирования нескольких выборок данных того же размера, что и исходная генеральная совокупность, но с разными распределениями интересующей величины [2].
Выборка с возвращением (replacement) - на вероятность появления элемента в выборке прочие элементы генеральной совокупности не влияют [10].
Эксперименты можно разделить на два вида. В первом из них для каждого критерия разбиения (Gini [4], Entropy [3], Information Gain [1] и Gain Ratio [9]) при помощи исходного набора обучалась прогностическая модель, которая затем проверялась на пяти выборках конкретного типа (эксперименты со второго по шестой; в первом эксперименте для проверки использовался исходный набор).
Эксперименты второго вида проводились по следующей схеме: 1) в результатах экспериментов со второго по шестой выбирались два множества, при проверках по которым iWizard-E показала лучший и худший результаты соответственно (буквы «л» и «х» в табл. 7-11); 2) на основании каждой пары выборок последовательно строились прогностические модели; 3) при помощи исходного набора выполнялась проверка построенных моделей.
Результаты экспериментов
Эксперимент №1 (тестирование на обучающем наборе данных)
Таблица 1 - Результаты эксперимента №1
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 |
0,8846 |
0,8700 |
0,8671 |
0,8700 |
Эксперимент №2 (тестирование на стратифицированной выборке)
Размер обучающего множества - 2618 записей (исходный набор), размер тестовой выборки - 90% от обучающего множества.
Таблица 2 - Результаты эксперимента №2
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7779 |
0,7819 |
0,7807 |
0,7763 |
|
|
F1 (выборка 2) |
0,7328 |
0,7240 |
0,7386 |
0,7240 |
|
|
F1 (выборка 3) |
0,7379 |
0,7306 |
0,7255 |
0,7410 |
|
|
F1 (выборка 4) |
0,7329 |
0,7219 |
0,7229 |
0,7238 |
|
|
F1 (выборка 5) |
0,7368 |
0,7435 |
0,7444 |
0,7267 |
Эксперимент №3 (тестирование на стратифицированной выборке)
Размер обучающего множества - 2618 записей (исходный набор), размер тестовой выборки - 80% от обучающего множества.
Таблица 3 - Результаты эксперимента №3
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7422 |
0,7452 |
0,7464 |
0,7315 |
|
|
F1 (выборка 2) |
0,7385 |
0,7386 |
0,7392 |
0,7257 |
|
|
F1 (выборка 3) |
0,7366 |
0,7209 |
0,7221 |
0,7221 |
|
|
F1 (выборка 4) |
0,7398 |
0,7469 |
0,7457 |
0,7331 |
|
|
F1 (выборка 5) |
0,7428 |
0,7280 |
0,7462 |
0,7288 |
Эксперимент №4 (тестирование на стратифицированной выборке)
Размер обучающего множества - 2618 записей (исходный набор), размер тестовой выборки - 70% от обучающего множества.
Таблица 4 - Результаты эксперимента №4
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7358 |
0,7440 |
0,7457 |
0,7405 |
|
|
F1 (выборка 2) |
0,7412 |
0,7279 |
0,7256 |
0,7432 |
|
|
F1 (выборка 3) |
0,7392 |
0,7453 |
0,7451 |
0,7298 |
|
|
F1 (выборка 4) |
0,7343 |
0,7283 |
0,7256 |
0,7419 |
|
|
F1 (выборка 5) |
0,7438 |
0,7319 |
0,7431 |
0,7346 |
Эксперимент №5 (тестирование на bootstrap-выборке)
Размер обучающего множества - 2618 записей (исходный набор), размер тестовой выборки - 2618 записей.
Таблица 5 - Результаты эксперимента №5
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7393 |
0,7426 |
0,7321 |
0,7218 |
|
|
F1 (выборка 2) |
0,7555 |
0,7537 |
0,7537 |
0,7382 |
|
|
F1 (выборка 3) |
0,7210 |
0,7114 |
0,7140 |
0,7308 |
|
|
F1 (выборка 4) |
0,7396 |
0,7383 |
0,7352 |
0,7176 |
|
|
F1 (выборка 5) |
0,7154 |
0,7225 |
0,7091 |
0,7250 |
Эксперимент №6 (тестирование на выборке с возвращением)
Размер обучающего множества - 2618 записей (исходный набор), размер тестовой выборки - 2618 записей.
Таблица 6 - Результаты эксперимента №6
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7402 |
0,7348 |
0,7339 |
0,7286 |
|
|
F1 (выборка 2) |
0,7476 |
0,7308 |
0,7324 |
0,7357 |
|
|
F1 (выборка 3) |
0,7495 |
0,7390 |
0,7337 |
0,7397 |
|
|
F1 (выборка 4) |
0,7258 |
0,7323 |
0,7332 |
0,7342 |
|
|
F1 (выборка 5) |
0,7382 |
0,7333 |
0,7279 |
0,7479 |
Эксперимент №7 (тестирование на исходном наборе)
Размер обучающего множества - 90% записей от исходного набора, размер тестовой выборки - 2618 записей (исходный набор).
Таблица 7 - Результаты эксперимента №7
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
0,7727 л |
0,8229 л |
0,7705 л |
0,7737 л |
|
|
F1 (выборка 2) |
0,7413 х |
? |
? |
? |
|
|
F1 (выборка 4) |
? |
0,7516 х |
0,7577 х |
0,7510 х |
Эксперимент №8 (тестирование на исходном наборе)
Размер обучающего множества - 80% записей от исходного набора, размер тестовой выборки - 2618 записей (исходный набор).
Таблица 8 - Результаты эксперимента №8
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
? |
? |
0,7391 л |
? |
|
|
F1 (выборка 3) |
0,7348 х |
0,7101 х |
0,7128 х |
0,7134 х |
|
|
F1 (выборка 4) |
? |
0,7233 л |
? |
0,7233 л |
|
|
F1 (выборка 5) |
0,7134 л |
? |
? |
? |
Эксперимент №9 (тестирование на исходном наборе)
Размер обучающего множества - 70% записей от исходного набора, размер тестовой выборки - 2618 записей (исходный набор).
Таблица 9 - Результаты эксперимента №9
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
? |
? |
0,7345 л |
? |
|
|
F1 (выборка 2) |
? |
0,7422 х |
0,7422 х |
0,7352 л |
|
|
F1 (выборка 3) |
? |
0,7372 л |
? |
0,7371 х |
|
|
F1 (выборка 4) |
0,7290 х |
? |
? |
? |
|
|
F1 (выборка 5) |
0,7336 л |
? |
? |
? |
Эксперимент №10 (тестирование на исходном наборе)
Размер обучающего множества - 2618 записей (bootstrap-выборка), размер тестовой выборки - 2618 записей (исходный набор).
Таблица 10 - Результаты эксперимента №10
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 2) |
0,7307 л |
0,7337 л |
0,7318 л |
0,7337 л |
|
|
F1 (выборка 3) |
? |
0,7219 х |
? |
? |
|
|
F1 (выборка 4) |
? |
? |
? |
0,7172 х |
|
|
F1 (выборка 5) |
0,7195 х |
? |
0,7325 х |
? |
Эксперимент №11 (тестирование на исходном наборе)
Размер обучающего множества - 2618 записей (выборка с возвращением), размер тестовой выборки - 2618 записей (исходный набор).
Таблица 11 - Результаты эксперимента №10
|
Критерий разбиения |
Gini |
Entropy |
Information Gain |
Gain Ratio |
|
|
F1 (выборка 1) |
? |
? |
0,6974 л |
0,7256 х |
|
|
F1 (выборка 2) |
? |
0,7115 х |
? |
? |
|
|
F1 (выборка 3) |
0,7480 л |
0,7288 л |
? |
? |
|
|
F1 (выборка 4) |
0,7406 х |
? |
? |
? |
|
|
F1 (выборка 5) |
? |
? |
0,7063 х |
0,7031 л |
Для полученных результатов были рассчитаны следующие характеристики: среднее, стандартное отклонение (СКО) и дисперсия.
Таблица 12 - Среднее, СКО, дисперсия для F1
|
Номера экспериментов |
Среднее |
СКО |
Дисперсия |
|
|
2-6 |
0,73627 |
0,01288 |
0,00017 |
|
|
7-11 |
0,73460 |
0,02286 |
0,00052 |
|
|
2-11 |
0,73580 |
0,01629 |
0,00027 |
|
|
без учета минимального и максимального значений F1 |
||||
|
2-6 |
0,73608 |
0,01184 |
0,00014 |
|
|
7-11 |
0,73330 |
0,01734 |
0,00030 |
|
|
2-11 |
0,73540 |
0,01424 |
0,00020 |
Данные эксперимента №1 в расчете характеристик не использовались. Причина указана в выводе №1 (см. далее).
Таблица 13 - Среднее, СКО, дисперсия для F1 (Gini)
|
Номера экспериментов |
Среднее |
СКО |
Дисперсия |
|
|
2-6 |
0,73938 |
0,01154 |
0,00013 |
|
|
7-11 |
0,73636 |
0,01635 |
0,00027 |
|
|
2-11 |
0,73852 |
0,01291 |
0,00017 |
|
|
без учета минимального и максимального значений F1 |
||||
|
2-6 |
0,73778 |
0,00847 |
0,00007 |
|
|
7-11 |
0,73891 |
0,01508 |
0,00023 |
|
|
2-11 |
0,73809 |
0,01043 |
0,00011 |
Таблица 14 - Среднее, СКО, дисперсия для F1 (Entropy)
|
Номера экспериментов |
Среднее |
СКО |
Дисперсия |
|
|
2-6 |
0,73590 |
0,01375 |
0,00019 |
|
|
7-11 |
0,73832 |
0,03244 |
0,00105 |
|
|
2-11 |
0,73659 |
0,02033 |
0,00041 |
|
|
без учета минимального и максимального значений F1 |
||||
|
2-6 |
0,73590 |
0,01375 |
0,00019 |
|
|
7-11 |
0,73128 |
0,01266 |
0,00016 |
|
|
2-11 |
0,73478 |
0,01345 |
0,00018 |
Таблица 15 - Среднее, СКО, дисперсия для F1 (Information Gain)
|
Номера экспериментов |
Среднее |
СКО |
Дисперсия |
|
|
2-6 |
0,73608 |
0,01435 |
0,00021 |
|
|
7-11 |
0,73248 |
0,02243 |
0,00050 |
|
|
2-11 |
0,73505 |
0,01677 |
0,00028 |
|
|
без учета минимального и максимального значений F1 |
||||
|
2-6 |
0,73422 |
0,01117 |
0,00012 |
|
|
7-11 |
0,73638 |
0,01988 |
0,00040 |
|
|
2-11 |
0,73481 |
0,01376 |
0,00019 |
Таблица 16 - Среднее, СКО, дисперсия для F1 (Gain Ratio)
|
Номера экспериментов |
Среднее |
СКО |
Дисперсия |
|
|
2-6 |
0,73370 |
0,01178 |
0,00014 |
|
|
7-11 |
0,73133 |
0,02014 |
0,00041 |
|
|
2-11 |
0,73302 |
0,01437 |
0,00021 |
|
|
без учета минимального и максимального значений F1 |
||||
|
2-6 |
0,73193 |
0,00791 |
0,00006 |
|
|
7-11 |
0,73447 |
0,01859 |
0,00035 |
|
|
2-11 |
0,73262 |
0,01152 |
0,00013 |
Изучив представленные результаты, можно сделать следующие выводы:
1. iWizard-E продемонстрировала наибольшую эффективность при использовании в качестве тестового множества итогового набора, то есть данных, которые применялись для обучения проверяемых прогностических моделей в первом эксперименте. Однако такой подход, как правило, демонстрирует завышенные значения показателей качества. Следовательно, эти результаты в дальнейшем учитываться не будут для повышения достоверности оценки работы системы.
2. Наилучший результат (F1 = 0,8229) был достигнут при: тип выборки = «стратифицированная», размер обучающей выборки = «90% от исходного набора», размер тестовой выборки = «2618 записей». Наихудший результат (F1 = 0,6974) был достигнут при: тип выборки = «с возвращением», размер обучающей выборки = «2618 записей», размер тестовой выборки = «исходный набор».
3. iWizard-E продемонстрировала наиболее стабильные результаты при использовании в качестве обучающего множества исходного набора (самые низкие значения СКО и дисперсии при наивысших средних значениях; см. строки 2 и 6 в табл. 12).
4. iWizard-E продемонстрировала наиболее стабильные результаты (см. табл. 13-16) при использовании критерия разбиения Gain Ratio (наименьшие значения СКО и дисперсии).
Таким образом, iWizard-E продемонстрировала достаточно высокие результаты при обработке различных наборов данных. Следовательно, можно утверждать, что ИСППР позволяет формировать эффективные прогнозы.
Список литературы / References
1. Бинарные деревья решений [Электронный ресурс]. ? Режим доступа: URL: https://ranalytics.github.io/data-mining/052-Binary-Decision-Trees.html. (08.08.2018).
2. Бутстрэп [Электронный ресурс]. ? Режим доступа: URL: https://basegroup.ru/community/glossary/bootstrap. (08.08.2018).
3. Информационная энтропия [Электронный ресурс]. ? Режим доступа: URL: http://ru.math.wikia.com/wiki/Информационная_энтропия. (08.08.2018).
4. Коэффициент Джини [Электронный ресурс]. ? Режим доступа: URL: http://www.economicportal.ru/ponyatiya-all/koefficient-dzhini.html. (08.08.2018).
5. Мифтахова, А. А. Использование методов искусственного интеллекта для повышения успеваемости студентов вузов / А. А. Мифтахова // Наука и бизнес: пути развития. ? 2017. ? № 5(71). ? С. 7-12.
6. Оценка классификатора (точность, полнота, F-мера) [Электронный ресурс]. ? Режим доступа: URL: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html. (08.08.2018).
7. Пальмов, С. В. Реализация деревьев решений в различных аналитических системах / С. В. Пальмов, А. А. Мифтахова // Перспективы науки. ? 2015. ? № 1(64). ? С. 93-98.
8. Стратифицированная выборка [Электронный ресурс]. ? Режим доступа: URL: http://www.market-journal.com/marketingovyeissledovanija/113.html. (08.08.2018).
9. Information gain ratio [Электронный ресурс]. ? Режим доступа: URL: https://en.wikipedia.org/wiki/Information_gain_ratio. (08.08.2018).
10. Sampling With Replacement / Sampling Without Replacement [Электронный ресурс]. ? Режим доступа: URL: http://www.statisticshowto.com/sampling-with-replacement-without/. (08.08.2018). Размещено на Allbest.ru
...Подобные документы
Нормативно-правовое обеспечение системы коррекционной поддержки детей, имеющих ограничения по состоянию здоровья. Система оказания им специализированной помощи в России, ее пути развития на современном этапе. Особенности социальной защиты детства в РФ.
контрольная работа [29,5 K], добавлен 01.01.2010Анализ соответствия дидактических возможностей и методических функций социальных сервисов с планируемыми образовательными результатами. Теоретические основы подготовки педагогов по информатике в условиях формирования информационной педагогической среды.
дипломная работа [2,4 M], добавлен 13.12.2017Порядок оказания услуг логопедической помощи детям с речевыми нарушениями в различных институциональных условиях. Внедрение эффективной системы качества образовательного учреждения психолого-логопедического профиля. Методы обследования речи детей.
курсовая работа [374,3 K], добавлен 24.03.2016Изучение педагогических возможностей компьютерных обучающих программ. Анализ психологических и физиологических особенностей развития дошкольников. Использование возможностей дидактической игры как средства экологического воспитания ребенка-дошкольника.
дипломная работа [1,4 M], добавлен 15.06.2012Определение эффективных методов и средств обучения теме "Поверхности вращения второго порядка" в школьном курсе математики, разработка на этой основе системы занятий. Примеры построения поверхностей. Обзор основных возможностей математических пакетов.
дипломная работа [994,2 K], добавлен 09.07.2013Индивидуализация воспитания как системы средств, которая способствует осознанию учеником своих возможностей, поддержке и развитию самобытности с целью самостоятельного выбора собственного понятия. Основные направления внешней дифференциации учебы.
курсовая работа [41,4 K], добавлен 12.03.2012Основные направления в развитии системы ВО в Украине и в мире: возрастание академической мобильности, унификация учебных планов, применение информационных технологий, использование дистанционных методов. Образовательные реформы и Болонский процесс.
реферат [27,0 K], добавлен 28.11.2010Исследование психолого-педагогических основ использования технических и дидактических возможностей в обучении культуре иноязычного общения. Особенности применения аутентичных видеоматериалов для формирования лингвострановедческой концепции учащихся.
курсовая работа [52,0 K], добавлен 27.02.2013Исследование методики, технологии преподавания математики в средней школе. Изучение возможностей формирования познавательных универсальных учебных действий в процессе работы с суждениями. Совершенствование процесса формирования познавательного компонента.
курсовая работа [499,5 K], добавлен 14.01.2015Цели и основные направления модернизации российского образования. Проблема самоопределения подростков при выборе профиля обучения. Необходимость введения модели предпрофильной подготовки. Метод проектов - средство решения задач предпрофильной подготовки.
дипломная работа [146,0 K], добавлен 05.05.2011Характеристика современной системы образования младших школьников, определение специфики их обучения. Рассмотрение возможностей классического и развивающего обучения в формировании учебной деятельности младших школьников, оценка их эффективности.
курсовая работа [204,9 K], добавлен 16.09.2017Понятие вероятностного прогнозирования, его роль в процессе чтения и формирование в онтогенезе. Цель, задачи и методика констатирующего эксперимента среди школьников с ТНР. Сформированность прогностических операций и выводы по результатам исследования.
курсовая работа [51,5 K], добавлен 27.01.2011Психолого-педагогическая характеристика старшеклассника. Функции и проблемы системы оценивания. Характеристика рейтинговой системы. Организация и анализ результатов эксперимента по использованию рейтинговой системы оценивания на уроках информатики.
дипломная работа [1,5 M], добавлен 05.09.2013Сущность и роль сказкотерапии как методики психологической диагностики, использование в коррекции. Направления исследований, направленных на изучение диагностических и коррекционно-развивающих возможностей фольклора, сказок и других литературных жанров.
контрольная работа [35,7 K], добавлен 11.09.2015Исследование теоретических основ управления развитием системы образования. Общая характеристика управления в муниципальном образовании Увельского Муниципального района. Определение путей совершенствования данной системы в территориальном округе.
дипломная работа [216,5 K], добавлен 20.10.2014Исследование основных вопросов профессиональной подготовки социальных педагогов – организаторов деятельности подростка в условиях детского общественного объединения. Обоснование специфики подготовки специалистов в рамках специально разработанной системы.
статья [18,0 K], добавлен 12.06.2013Слом старой и становление новой системы музыкального обучения. Задачи большевиков в реализации "культурной революции". Формирование начального, среднего и высшего музыкального образования. Реализация целей и задач данной системы в городе Белгороде.
дипломная работа [118,9 K], добавлен 25.07.2011Что такое образовательно-педагогическая прогностика. Методы научного прогнозирования, применяемые в педагогике. Интернаучные, частнонаучные методы прогнозирования в педагогике. Становление прогностических функций педагогики: от Платона до наших дней.
реферат [42,7 K], добавлен 05.04.2011Основы формирования, понятие, сущность, содержание интеллектуальной культуры, современные концепции ее формирования. Понятие интеллекта. Становление интеллектуальной культуры в обществе. Общая характеристика формирования интеллектуального уровня личности.
курсовая работа [43,8 K], добавлен 24.03.2011Учебный процесс и средства информационных и коммуникационных технологий. Тенденция функционирования и развития содержания методической системы обучения информатике в педвузах. Недостатки современной системы методической подготовки учителя информатики.
автореферат [104,5 K], добавлен 13.10.2008
