Удосконалено математичну модель «кривої забування», породженої Г. Еббінгаузом. В удосконаленій моделі враховано і синергетичну складову, що уповільнює процес забування за рахунок внутрішньої роботи мозку у той відрізок часу, в який нова інформація до цього мозку не надходить, запропоновану Б. І. Мокіним, і складову, запропоновану Л. М. Присняковою, що задає значення тієї частки початкової інформації, яка ніколи з пам'яті індивідуума не стирається. Розроблено алгоритм ідентифікації удосконаленої математичної моделі «кривої Г. Еббінгауза» і проаналізовані причини появи некоректних рішень з його застосуванням та вказані шляхи подолання цієї некоректності. Розширено базу обґрунтування необхідності переходу від «кривої забування», породженої Г. Еббінгаузом, при аналізі процесів забування початкової інформації, отриманої студентом від викладача на лекції, до «смуг забування», породжених Б. І. Мокіним та О. Б. Мокіним. Якщо раніше ця база ґрунтувалась лише на особливостях оброблення експериментальних даних та центральній граничній теоремі Лапласа стосовно ймовірнісних даних, підпорядкованих нормальному закону розподілу, то її розширення відбулося ще й завдяки необхідності подолання некоректності розв'язання системи рівнянь, на яких базується алгоритм ідентифікації удосконаленої математичної моделі «кривої забування». Побудовано нові границі «смуг забування», які, як і в алгоритмі їх побудови, запропонованому Б. І. Мокіним та О. Б. Мокіним, використовують відоме з теорії ймовірностей правило «трьох сігм», але адекватніше відображають ці «смуги» і вивільняють їх від ділянок, на яких забування інформації набуває знака «мінус», не властивого для цього процесу. Ключові слова: процес забування інформації, крива забування Г. Еббінгауза, смуги забування Б. Мокіна та О. Мокіна, моделювання, удосконалення моделей «кривої» і «смуг».
Для оцінювання якості процесу засвоєння знань студентами вищих технічних навчальних закладів з конкретної навчальної дисципліни, отриманих в онлайн-режимі, запропоновано використовувати в адаптованому вигляді відому ідеологію чіткого оцінювання якості інтеграції навчання з виробництвом на нечітких математичних моделях. Необхідність адаптації цієї ідеології зумовлена, по-перше, тим, що лінгвістичні змінні, які характеризують різні стадії навчального процесу, отримують новий зміст, оскільки процес отримання студентами робітничої професії не є адекватним процесу засвоєння студентами конкретної навчальної дисципліни в онлайн-режимі, по-друге, тим, що у зв'язку з необхідністю враховувати умови засвоєння конкретної навчальної дисципліни в онлайн-режимі кількість цих лінгвістичних змінних суттєво зростає, а по-третє, тим, що у зв'язку з необхідністю визначення ще до заключного етапу у вигляді екзамену тих додаткових впливів, за допомогою яких здійснюватиметься «нормалізація» тих лінгвістичних змінних, що мають відмінності від «нормальних», процес направленості аналізу «з кінця в початок», характерний для ідеології-прототипу, змінюється на протилежний процес «з початку в кінець». А методика, що реалізує наш варіант втілення ідеології чіткого оцінювання на нечітких моделях, відрізняється окрім того, що враховує приведені вище відмінності в самій ідеології, по-перше, ще й тим, що знімає проблему створення достатньої потужності множини дефазифікованих значень лінгвістичних змінних, що характеризують процес вивчення конкретних навчальних дисциплін в малокомплектних групах, по-друге, множину екзаменаційних оцінок використовує не як стартову для початку процесу оцінювання, як це має місце в ідеології-прототипі, а як критеріальну, за допомогою якої оцінюється якість самого процесу, а по-третє, пропонує варіанти синтезу математичних моделей для законів розподілу дефазифікованих лінгвістичних змінних у разі, якщо гіпотеза «нормальності» для них не виконується.Ключові слова: якість знань студентів, нечітка модель оцінки якості вивчення конкретної навчальної дисципліни, ймовірністний характер дефазифікованих лінгвістичних змінних нечіткої моделі, адаптація методики чіткого оцінювання якості на основі нечіткої моделі, обґрунтування необхідності та умов адаптації.
В результаті критичного аналізу математичної моделі інтелектуального стану суспільства, запропонованої Людмилою Прісняковою в її російськомовній монографії «Системный анализ поведения личности», опублікованій у 2007 році, з'ясовано, що ця математична модель є хибною, оскільки вона створена з використанням неправильно складеної балансної передумови, і доведено, що її використання приводить до хибного оцінювання інтелекту суспільства. Показано, що функція приросту інтелекту суспільства, яка не містить у своїй структурі відрізок часу, за який оцінюється цей приріст, не може давати коректну оцінку приросту інтелекту суспільства. З використанням правильно виписаного рівняння балансу, в якому враховано і відрізок часу, протягом якого зберігається цей баланс, запропонована нова математична модель інтелектуального стану суспільства з прив'язкою до введених Л. Прісняковою змінних і параметрів, завдяки чому є можливість зіставляти між собою результати, отримані з використанням обох моделей, і доводити хибність оцінок, що визначаються з використанням математичної моделі Л. Пріснякової. Доведено, що функція приросту відносного інтелекту суспільства, аргументом якої є відносна кількість членів суспільства, що вносять вклад в цей приріст, не може мати екстремумів в області значень, допустимої для цього аргументу, наявність яких має місце в разі використання математичної моделі, створеної Людмилою Прісняковою, але існування яких входить в протиріччя з логікою приросту інтелекту суспільства, в якому спостерігається збільшення кількості його членів, що вносять свій вклад в цей приріст. Визначено, як впливають на приріст інтелекту суспільства зміни в кількості викладачів і наставників, а також в параметрах, що характеризують науковий та викладацький професіоналізм викладачів і наставників та корупційну складову, що супроводжує навчальний процес. Ключові слова: інтелект суспільства, критичний аналіз відомої математичної моделі оцінки інтелекту суспільства, нова математична модель оцінки інтелекту суспільства.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.