Науковий вісник НГУ

Автоматизована система тестування й контролю знань студентів ZELIS

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2024

Останнє оновлення: 28 грудня 2024

Опубліковано: 30 листопада -0001

Перегляди: 119

Authors:

O.C.Зеленський*, orcid.org/0000-0001-8780-587X, Державний університет економіки і технологій, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В.С.Лисенко, orcid.org/0000-0002-5200-1211, Державний університет економіки і технологій, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (6): 193 - 199

https://doi.org/10.33271/nvngu/2024-6/193

Abstract:

Мета. Обґрунтувати методику й розробити програмне забезпечення автоматизованої системи тестування та контролю знань студентів ZELIS.

Методика. Білети з питаннями містять текст, таблиці, малюнки, формули тощо, тобто всі можливості редактора MS WORD. Питання й варіанти відповідей формуються випадковим чином. Як показала перевірка, найбільш ефективною кількістю є 30 питань і 5 відповідей до них. При роботі із бланками тестується велика кількість людей. Кожен бланк сканується для отримання растрового файлу у форматі *.jpg. Для розпізнавання цих файлів розроблено математичний апарат, що достатньо точно визначає по бланку номер правильної відповіді. В онлайн-режимі студенти отримують вхідні дані через мережу Інтернет, що актуально в умовах воєнного стану, а також при тестуванні знань студентів протягом навчального процесу без додаткового використання лабораторного часу.

Результати. Програмне забезпечення ZELIS оновлено в середовищі Visual Studio 2019 мовою програмування C# із використанням СУБД MS ACCESS або SQL SERVER, а також хмарної СУБД FireBase RealTime DataBase.

Наукова новизна. Вхідна інформація для створення тестів надходить в єдиному форматі RTF, що дозволяє використовувати таблиці, малюнки, формули тощо. Система також надає можливість одночасного тестування великої кількості осіб. Під час цього процесу використовуються власні алгоритми для розпізнавання, і це займає лише декілька хвилин для обробки значної кількості бланків.

Практична значимість. У роботі наводиться опис автоматизованої системи тестування й контролю знань студентів ZELIS, що розроблена авторами. Система розроблена у Державному університеті економіки і технологій та діє із 2015 року. Під час одного сеансу тестування в режимі бланків онлайн проводиться приблизно 250 іспитів, в яких беруть участь близько 1200 студентів.

Ключові слова: тестування знань, ZELIS, бланк, алгоритм, RealTime DataBase, СУБД

References:

1. Drissi, S., & Amirat, A. (2016). An adaptive E-learning system based on student’s learning styles: An empirical study. International Journal of Distance Education Technologies, 14, 34-51. https://doi.org/10.4018/IJDET.2016070103.

2. Ethink (2018). Three Benefits of Adaptive Learning in Your LMS. Retrieved from https://ethinkeducation.com/blog/3-benefits-utilizing-adaptive-learning-lms.

3. Moodle vs Google Classroom: Key Differences You Should Know. (n.d.). Retrieved from https://www.teachfloor.com/blog/moodle-vs-google-classroom.

4. Harati, H., Yen, C. J., Tu, C. T., Cruickshank, B., & Armfield, S. W. (2020). Online adaptive learning: A study of score validity of the adaptive self-regulated learning model. International Journal of Web-Based Learning and Teaching Technologies, 15, 18-35. https://doi.org/10.4018/IJWLTT.2020100102.

5. Bergey, B. W., Ketelhut, D. J., Liang, S., Natarajan, U., & Karakus, M. (2015). Scientific inquiry self-efficacy and computer game self-efficacy as predictors and outcomes of middle school boys’ and girls’ performance in a science assessment in a virtual environment. Journal of Science Education and Technology, 24, 696-708. https://doi.org/10.1007/s10956-015-9558-4.

6. Chiranjeevi, K., & Jena, U. (2018). SAR image compression using adaptive differential evolution and pattern search based K-means vector quantization. Image Analysis and Stereology, 37, 35-54. https://doi.org/10.5566/ias.1611.

7. Hesterman, D. (2017). Report on Intensive Mode Delivery in Engineering, Computer Science, and Mathematics. Retrieved from http://www.ecm.uwa.edu.au/__data/assets/pdf_file/0009/2700846/Hesterman-2015-UWA-ECM-Report-on-intensive-mode-delivery.pdf.

8. Hussain, A. J., Al. Fayadh, A., & Radi, N. (2018). Image compression techniques: a survey in lossless and lossy algorithms. Neurocomputing, 300, 44-69. https://doi.org/10.1016/j.neucom.2018.02.094.

9. Jarno, M., & Bormin, H. (2012). Lossless compression of hyperspectral images using clustered linear prediction with adaptive prediction length. IEEE Geoscience and Remote Sensing Letters, 9, 1118-1121. https://doi.org/10.1109/LGRS.2012.2191531.

10. Latham, G., Seijts, G., & Slocum, J. (2016). The Goal-setting and goal orientation labyrinth. Organizational Dynamics, 45, 271-277. https://doi.org/10.1016/j.orgdyn.2016.10.001.

11. Li, J., & Liu, Z. (2019). Multispectral transforms using convolution neural networks for remote sensing multispectral image compression. Remote Sensing, 11, 759-779. https://doi.org/10.3390/rs11070759.

12. Murray, M. C., & Pérez, J. (2015). Informing and performing: A study comparing adaptive learning to traditional learning. Informing Science: the International Journal of an Emerging Transdiscipline, 18, 111-125. Retrieved from http://www.inform.nu/Articles/Vol18/ISJv18p111-125Murray1572.pdf.

13. Nussbaumer, A., Hillemann, E., Gütl, C., & Albert, D. (2015). A Competence-based service for supporting self-regulated learning in virtual environments. J. Learn. Anal, 2, 101-133. https://doi.org/ 10.18608/jla.2015.21.6.

14. Panadero, E. (2017). A Review of Self-Regulated Learning: Six Models and Four Directions for Research. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422.

15. Sabourin, J., Mott, B., & Lester, J. (2013). Discovering behavior patterns of self-regulated learners in an inquiry-based learning environment. In Lane, H. C., Yacef, K., Mostow, J., Pavlik, P. (Eds.). Lecture Notes in Computer Science: Artificial Intelligence in Education, (pp. 209-218). Berlin/Heidelberg: Springer.

16. Shi, C., Zhang, J., & Zhang, Y. (2016). Content-based onboard compression for remote sensing images. Neurocomputing 191, 330-340. https://doi.org/10.1016/j.neucom.2016.01.048.

17. Villegas-Ch, W., Roman-Cañizares, M., Jaramillo-Alcázar, A., & Palacios-Pacheco, X. (2020). Data Analysis as a Tool for the Application of Adaptive Learning in a University Environment. Applied Sciences, 10, 7016. https://doi.org/10.3390/app10207016.

18. Lefei, Z., Liangpei, Z., & Dacheng, T. (2015). Compression of hyperspectral remote sensing images by tensor approach. Neurocomputing, 147, 358-363. https://doi.org/10.1016/ j.neucom.2014.06.052.

19. Zemliachenko, A. N., Abramov, S. K., Lukin, V. V., Vozel, B., & Chehdi, K. (2015). Lossy compression of noisy remote sensing images with prediction of optimal operation point existence and parameters. Journal of Applied Remote Sensing, 9, 095066. https://doi.org/10.1117/ 1.JRS.9.095066.

20. Zhan, X., Zhang, R., Yin, D., & Huo, C. (2013). SAR image compression using multiscale dictionary learning and sparse representation. IEEE Geoscience and Remote Sensing Letters, 10, 1090-1094. https://doi.org/10.1109/LGRS.2012.2230394.

• < Попередня
• Наступна >