Xreferat.com » Рефераты по информатике и программированию » Экспертная система прогнозирования успеваемости студентов в ВУЗах

Экспертная система прогнозирования успеваемости студентов в ВУЗах

ВВЕДЕНИЕ


Проблемы прогнозирования результатов сессии студентов в высшем учебном заведении в современных рыночных условиях являются актуальными по множеству причин. Во-первых, подготовка квалифицированных специалистов – это одна из главных задач любого образовательного учреждения. Во-вторых, управление процессом обучения студентов в условиях влияния множества внешних факторов является сложной задачей, как в организационном, так и социально-экономическом плане, требующем системного подхода и разработки новых методов и моделей управления.

Проблема построения модели, экспертной системы прогнозирования результатов сессии на основании анализа текущей успеваемости, заключается в сложности входящих в модель данных. При исследовании поведения студентов учтены, как количественны показатели, так и качественные, можно сказать, что исходные данные сложно формализируемые.

Целью работы является, построение продукционной модели экспертной системы прогнозирования результатов сессии, на основании анализа текущей успеваемости, и ее реализация в языке логического программирования Visual Prolog. Объектом исследования является процесс получения образования в высшем учебном заведении. Предмет исследования - методы построения базы знаний в экспертных системах, а именно продукционная модель.

При построении экспертной системы прогнозирования результатов сессии, на основе текущей успеваемости, выделяют следующие задачи исследования:

Сбор информации о объекте исследования, а именно о процессе обучения и системе оценивания студентов всех курсов.

Изучение методов построения базы знаний и выбор наилучшего.

Представление продукционной модели построения базы знаний.

Изучение механизмов логического вывода.

Реализация экспертной системы в языке логического программирования Visual Prolog

Для данной экспертной системы была выбрана продукционная модель построения базы знаний, потому что она являются наиболее наглядным средствами представления знаний. Она близка к логическим моделям, что позволяет организовывать на ее базе эффективные процедуры вывода, и в то же время более наглядно (чем классические логические модели) отражает знания. Продукционная модель привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой логического вывода.

В результате исследования будет создана структура продукционной модели построения баз знаний в экспертной системе прогнозирования результатов сдачи сессии на основе текущей успеваемости.


РАЗДЕЛ 1. ЭКСПЕРТНЫЕ СИСТЕМЫ


В середине семидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название экспертные системы. Цель исследований по экспертным системам состоит в разработке программ (устройств), которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. В большинстве случаев экспертные системы решают трудно формализуемые задачи или задачи, не имеющие алгоритмического решения.

Экспертная система - программно-техническое средство, позволяющее пользователю в диалоговом режиме получать от компьютера консультационную помощь в конкретной предметной области, где сконцентрированы опыт и знания людей-экспертов (специалистов в данной области).

Экспертные системы – программы для компьютера, которые могут воспроизводить процесс решения проблемы человеком-экспертом.[1]

Экспертная система - программа, которая использует знания специалистов (экспертов) о некоторой конкретной узкоспециализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала. [2]

Экспертные системы - прикладные программы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области.[3]

Экспертная система - программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.[3]

В основе функционирования ЭС лежит использование знаний, а манипулирование ими осуществляется на базе эвристических правил, сформулированных экспертами. ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Главное достоинство экспертных систем - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов.


Классификация и виды экспертных систем


Для классификации ЭС [5] используют следующие признаки:

Способ формирования решения;

Способ учета временного признака;

Вид используемых данных;

Число используемых источников решения знаний;

По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.

В зависимости от способа учета временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.

По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.

ЭС могут создаваться с использованием одного или нескольких источников знаний.


Структура экспертной системы


Типичная статическая ЭС состоит из следующих основных компонентов (рис. 1.1):

решателя (интерпретатора);

рабочей памяти (РП), называемой также базой данных (БД);

базы знаний (БЗ);

компонентов приобретения знаний;

объяснительного компонента;

диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.


Экспертная система прогнозирования успеваемости студентов в ВУЗах

Рис. 1.1. «Структура экспертной системы»


Базы знаний и модели представления знаний


База знаний - важная компонента экспертной системы, она предназначена для хранения долгосрочных данных, описывающих рассматриваемую предметную область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

В качестве предметной области выбирается узкая (специальная) прикладная область. Далее для создания ЭС в выбранной области собираются факты и правила, которые помещаются в базу знаний вместе с механизмами вывода и упрощения. В отличие от всех остальных компонент ЭС, база знаний - "переменная " часть системы, которая может пополняться и модифицироваться инженерами знаний и опыта использование ЭС, между консультациями (а в некоторых системах и в процессе консультации).

Существует несколько способов представления знаний в ЭС, однако общим для всех них является то, что знания представлены в символьной форме (элементарными компонентами представления знаний являются тексты, списки и другие символьные структуры). Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований.

Существуют динамические и статические базы знаний. Динамическая база знаний изменяется со временем. Ее содержимое зависит и от состояния окружающей. Новые факты, добавляемые в базу знаний, являются результатом вывода, который состоит в применении правил к имеющимся фактам. В системах с монотонным выводом факты, хранимые в базе знаний, статичны, то есть не изменяются в процессе решения задачи. В системах с немонотонным выводом допускается изменение или удаление фактов из базы знаний.

Одной из наиболее важных проблем, характерных для систем, основанных на знаниях, является проблема представления знаний. Это объясняется тем, что форма представления знаний оказывает существенное влияние на характеристики и свойства системы. Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование. В таких случаях необходимо отличать знания, предназначенные для обработки компьютером, от знаний, используемых человеком.

При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородное представление приводит к упрощению механизма управления логическим выводом и упрощению управления знаниями. Представление знаний должно быть понятным экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка. Однако выполнить это требование в равной степени, как для простых, так и для сложных задач довольно трудно. Обычно, для несложных задач останавливаются на некотором среднем (компромиссном) представлении, но для решения сложных и больших задач необходимы структурирование и модульное представление.

Типичными моделями представления знаний являются:

Продукционная модель;

Модель, основанная на использовании фреймов;

Модель семантической сети;

Логическая модель.

Продукционная модель - модель, основанная на правилах, позволяющая представить знания в виде предложений типа:

Если (условие), то (действие)

В качестве условия и действия в правилах может быть, например, предположение о наличии того или иного свойства, принимающее значение истина или ложь. При этом термин действие следует трактовать широко: это может быть как директива к выполнению какой-либо операции, рекомендация, или модификация базы знаний – предположение о наличии какого-либо производного свойства.

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения - к данным). Данные - это исходные факты, на основании которых запускается машина вывода - программа, перебирающая правила из базы.

«Фрейм – это структура данных, представляющая стереотипную ситуацию, вроде нахождения внутри некоторого рода жилой комнаты, или сбора на вечеринку по поводу дня рождения ребенка. К каждому фрейму присоединяется несколько видов информации. Часть этой информации – о том, как использовать фрейм. Часть о том, чего можно ожидать далее. Часть о том, что следует делать, если эти ожидания не подтвердятся».

Фрейм - это минимальное возможное описание сущности какого-либо явления, события, ситуации, процесса или объекта. Минимальность означает, что при дальнейшем упрощении описания теряется его полнота, она перестает определять ту единицу знаний, для которой предназначено. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м2 ". Из этого описания ничего нельзя убрать (например, убрав окна мы получим уже чулан, а не комнату), но в нем есть "дырки", - это незаполненные значения некоторых атрибутов - количество окон, цвет стен, высота потолка. покрытие пола и др. В теории фреймов такой образ называется фреймом.

Одним из способов представления знаний является семантическая сеть. Изначально семантическая сеть была задумана как модель преставления структуры долговременной памяти в психологии, но в последствии стала одним из основных способов представления знаний в инженерии знаний.

В основе сетевых моделей представления знаний лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними. В отличие от продукционных эти модели более наглядны, поскольку любой пример можно представить в виде ориентированного (направленного) графа, вершины которого - понятия, а дуги - отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения - это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит" и т.п. Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

Класс - элемент класса.

Свойство – значение.

Пример элемента класса.

Традиционно в представлении знаний выделяют логические модели, основанные на классическом исчислении предикатов первого порядка, когда предметная область или задача описывается в виде набора аксиом. Основное преимущество использования логики предикатов для представления знаний заключается в том, что обладающий хорошо понятными математическими свойствами мощный механизм вывода может быть непосредственно запрограммирован. С помощью этих программ из известных ранее знаний могут быть получены новые знания.


Механизмы логического вывода


При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Механизм выводов связывает знания .

Два способа использования продукционных правил:

- прямая цепочка рассуждений;

- обратная цепочка рассуждений.

Первый предполагает обработку информации в прямом направлении (метод сопоставления), когда образцом для поиска служит левая часть продукционного правила — условие, то есть задача решается в направлении от исходного состояния к целевому . Это соответствует стратегии «от данных к цели» или стратегии управления данными.

При втором подходе обработка информации осуществляется в обратном направлении — метод «генерации» или выдвижения гипотезы и ее проверки (стратегия «от цели к данным»).

Пример:Имеется фрагмент БЗ из двух правил:

П 1 : ЕСЛИ «отдых - летом» и «человек - активный», ТО «ехать в горы».

П 2 : ЕСЛИ «любит солнце»,«отдых летом».

Предположим в систему поступили данные: «человек - активный» и «любит солнце».Прямой вывод: исходя из данных, получить ответ:

Шаг 1. Пробуем П 1 не работает - не хватает данных «отдых - летом».

Шаг 2. Пробуем П 2 , работает, в базу поступает факт «отдых - летом». 2-й проход:

Шаг 3. Пробуем П 1 , работает, активируя цель «ехать в горы», которая и выступает, например, как совет, который дает система.

Обратный вывод: подтвердить выбранную цель при помощи имеющихся правил и данных:

Шаг 1. Цель - «ехать в горы»:

становятся новой целью, и имеется правило, где она в правой части.

Шаг 2. Цель «отдых летом»:

правило П 2 подтверждает цель и активизирует ее. 2-й проход:

Шаг 3. Пробуем П 1 , подтверждается искомая цель.

Выводы по разделу 1

Формализованные экспертный систем являются одним из наглядных методов решения задачи прогнозирования результатов сдачи сессии, на основе анализа текущей успеваемости. Поэтому, построение адекватных моделей, а также разработка методов и алгоритмов, позволяющих установить соответствие между параметрами математических моделей и реальными системами, является актуальной научно-прикладной задачей


РАЗДЕЛ 2. ПОСТРОЕНИЕ ПРОДУКЦИОННОЙ МОДЕЛИ БАЗЫ ЗНАНИЙ


Обоснование метода


Для данной экспертной системы была выбрана продукционная модель построения базы знаний, потому что она являются наиболее наглядным средствами представления знаний. Она близка к логическим моделям, что позволяет организовывать на ее базе эффективные процедуры вывода, и в то же время более наглядно (чем классические логические модели) отражает знания. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой логического вывода.

Модульность — отдельные продукционные правила могут быть добавлены, удалены или изменены в базу знаний независимо от других, кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.

Каждое продукционное правило — самостоятельный элемент знаний (локальный источник знаний), отдельные продукционные правила связаны между собой только через поток данных, которые они обрабатывают.

Простота интерпретации — «прозрачная» структура продукционных правил облегчает их смысловую интерпретацию.

Естественность — знания в виде «что делать и когда» являются естественны ми с точки зрения здравого смысла.

Недостатки продукционных систем проявляются тогда, когда число правил ста новится большим и возникают непредсказуемые побочные эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна оценка целостного образа знаний, содержащихся в системе.


Математическое представление продукционной модели


Психологические исследования процессов принятия решений человеком показали, что рассуждая и принимая решения, человек использует правила продукций, или продукционные правила. В общем случае продукционное правило можно представить в следующем виде:


i: S; L; A→B; Q (2.1)


где i — индивидуальный номер продукции;

S — описание класса ситуаций, в котором данная структура может использоваться;

L — условие, при котором продукция активизируется;

А→В — ядро продукции, например: «ЕСЛИ A1, A2,,..., Ап ТО В» . Такая запись означает, что «если все условия от A1 до Аn являются истиной, то В также истина» или же «когда все условия от A1 до Аn становятся истиной, то следует выполнить действие B»;

Q — постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В. Например, внести изменения в данные либо в саму продукцию.

В зависимости от количества условий и действий в соответствующих перечнях различают следующие типы правил: простое – одно условие и одно действие, составное – много условий и действий, фиксирующее – много условий и одно действие, разветвляющееся – одно условие и много действий.

В общем случае под условием понимается некоторое предложение — образец, по которому осуществляют поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска, — это могут быть реальные действия, если система управляющая, или заключение — вывод, представляющий собой новое знание, или некоторая цель.


Структура продукционной модели представления баз знаний


Для реализации продукционной модели было проведено анкетирование, в нем было предложено оценить студентам факторы, которые влияют на их выбор. Было запущено анкету (см. приложение 2).

Поскольку работать с 22 факторами очень сложно, нужно их сократить, применяем к данным метод анализа главных компонент. Применение метода главных компонент в пакете SPSS 15.0:

Выбираем в меню Analyze (Анализ) Data Reduction (Сокращение объема данных) Factor... (Факторный анализ). Откроется диалоговое окно Factor Analysis (Факторный анализ)

Переменные a1-a15 поместим в поле тестируемых переменных и ознакомимся с возможностями, предлагаемыми различными кнопками этого диалогового меню.

После щелчка по кнопке Descriptive Statistics (Дескриптивные статистики) оставим вывод первичных результатов, которые включают в себя первичные относительные дисперсии простых факторов, собственные значения и процентные доли объяснённой дисперсии.

В результате мы получили такие факторы:

Фактор 1 «Объяснение и понимание материала»:

"Объяснение преподавателями нового материала понятно и доступно";

"Воспринимать новый материал легко";

"Преподаватели объясняют сложно и быстро";

"Практических занятий достаточно, чтобы усвоить лекционную информацию";

“Предметов много, большой поток информации";

"Учиться в "ХАИ" сложно и неинтересно";

"На самостоятельную обработку выносится больше информации, чем дается на лекциях";

"Специальность не оправдывает надежды";

"У меня сложились хорошие отношения с куратором".

Фактор 2 «Бытовые факторы»:

"Обстановка в общежитии благосклонно влияет на учебу";

"База школьной подготовки позволяет, хорошо учится в "ХАИ";

"Выбор специальности правильный, набор предметов интересный";

"Учеба для меня это самореализация ";

"Я принимаю активное участие в общественной жизни факультета и университета".

Фактор 3 «Другие»:

"Я поступил(а) в "ХАИ" потому что так хотели мои родители";

"У меня сложились хорошие отношения с одногруппниками и студентами других групп";

"Куратор практически не уделяет внимания нашей группе";

"Я боюсь, что меня отчислять".

Фактор 4 «Личностные факторы»:

"Лучшая мотивация в учебе, это похвала преподавателя";

"Я учусь хорошо, для того чтобы получать стипендию";

"Стипендия как вид мотивации меня не интересует";

"Мне стыдно плохо учиться".

Теперь создадим таблицу сопряженности для первой стратегии, которую может выбрать студент (учится на отлично) и фактора «Объяснение и понимание материала» (teaching).

Выберем в меню Analyze (Анализ) Descriptive Statistics (Дескриптивные статистики) Crosstabs... (Таблицы сопряженности)

В диалоговом окне Crosstabs (Таблицы сопряженности) переменную а1 (учится на отлично) поместим в поле строк, а переменную teaching в поле столбцов и через выключатель Cells... (Ячейки) сделаем дополнительно запрос на вывод процентных значений по строкам.

В окне просмотра появится следующая таблица сопряженности:


Таблица 2.1

«Учится на отлично (0т 4.6 до 5) * Объяснение и понимание материала»



"Объяснение и понимание материала" Total


1 2 3 4 1

0 Count 35 35 37 33 140


"Учится на отлично"(0т 4.6 до 5) 25,0% 25,0% 26,4% 23,6% 100,0%


% within "Объяснение и понимание материала" 79,5% 79,5% 86,0% 86,8% 82,8%

1 Count 9 9 6 5 29


% within "Учится на отлично"(0т 4.6 до 5) 31,0% 31,0% 20,7% 17,2% 100,0%


% within "Объяснение и понимание материала" 20,5% 20,5% 14,0% 13,2% 17,2%
Total Count 44 44 43 38 169

% within "Учится на отлично"(0т 4.6 до 5) 26,0% 26,0% 25,4% 22,5% 100,0%

Аналогичным образом мы проводи анализ первой стратегии и остальных факторов


Таблица 2.2

«Учится на отлично (0т 4.6 до 5) * Бытовые факторы»



"Бытовые факторы": Total


1 2 3 4 1

0 Count 37 34 37 32 140


% within "Учится на отлично"(0т 4.6 до 5) 26,4% 24,3% 26,4% 22,9% 100,0%


% within "Бытовые факторы": 84,1% 89,5% 84,1% 74,4% 82,8%

1 Count 7 4 7 11 29


% within "Учится на отлично"(0т 4.6 до 5) 24,1% 13,8% 24,1% 37,9% 100,0%


% within "Бытовые факторы": 15,9% 10,5% 15,9% 25,6% 17,2%
Total Count 44 38 44 43 169

% within "Учится на отлично 26,0% 22,5% 26,0% 25,4% 100,0%

Таблица 2.3

"Учится на отлично (0т 4.6 до 5) * Личностные факторы"



"Личностные факторы": Total


1 2 3 4 1

0 Count 37 33 35 35 140


% within "Учится на отлично"(0т 4.6 до 5) 26,4% 23,6% 25,0% 25,0% 100,0%


% within "Личностные факторы": 94,9% 76,7% 81,4% 79,5% 82,8%

1 Count 2 10 8 9 29


% within "Учится на отлично"(0т 4.6 до 5) 6,9% 34,5% 27,6% 31,0% 100,0%


% within "Личностные факторы": 5,1% 23,3% 18,6% 20,5% 17,2%
Total Count 39 43 43 44 169

% within "Учится на отлично" 23,1% 25,4% 25,4% 26,0% 100,0%

Таблица 2.4

"Учится на отлично (0т 4.6 до 5) *Другие факторы"



"Другие факторы" Total


1 2 3 4 1

0 Count 34 31 38 37 140


% within "Учится на отлично"(0т 4.6 до 5) 24,3% 22,1% 27,1% 26,4% 100,0%


% within "Другие факторы" 82,9% 75,6% 86,4% 86,0% 82,8%

1 Count 7 10 6 6 29


% within "Учится на отлично"(0т 4.6 до 5) 24,1% 34,5% 20,7% 20,7% 100,0%


% within "Другие факторы" 17,1% 24,4% 13,6% 14,0% 17,2%
Total Count 41 41 44 43 169

% within "Учится на отлично" 24,3% 24,3% 26,0% 25,4% 100,0%

По данным таблиц 3.2,3.3,3.4 и 3.5 можно сделать следующие выводы: на студентов, которые не выбрали стратегию «учится на отлично» не влияет фактор "Объяснение и понимание материала», поскольку процентное соотношение практически одинаковое 1 - 79.5%, 2 - 79.5%, 3 - 86.0% и 4 - 86.8%, бытовые факторы также не влияют, поскольку соотношение процентов практически одинаковое, а вот личностные факторы влияют на то, что студент не выбирает первую стратегию, а именно не хватает внутренней мотивации, так как динамика разности процентных соотношений очевидна, другие факторы также не влияют. На студентов, которые выбрали стратегию «учится на отлично» влияет фактор "Объяснение и понимание материала», и очевидно то, что если студент выбирает эту стратегию ему сложнее воспринимать новый материал, ведь он хочет подробно разобраться во всех нюансах. Бытовые факторы также влияют, но они не мешают учебному процессу у отличников, личностные факторы влияют на отличников, но влияют они также благосклонно, мотивация у таких студентов присутствует, а вот другие факторы не влияют, поскольку отсутствует динамика процентов.


Таблица 2.5

«Учится хорошо (От 3.6 до 4.5) *Объяснение и понимание материала»



"Объяснение и понимание материала" Total


1 2 3 4 1

0 Count 19 25 19 12 75


% within "Учится хорошо"(От 3.6 до 25,3% 33,3% 25,3% 16,0% 100,0%


"Объяснение и понимание материала" 43,2% 56,8% 44,2% 31,6% 44,4%

1 Count 25 19 24 26 94


% within "Учится хорошо"(От 3.6 до 4.5) 26,6% 20,2% 25,5% 27,7% 100,0%


% within "Объяснение и понимание материала" 56,8% 43,2% 55,8% 68,4% 55,6%
Total Count 44 44 43 38 169

"Учится хорошо" 26,0% 26,0% 25,4% 22,5% 100,0%

Таблица 2.6

«Учится хорошо (От 3.6 до 4.5) *Бытовые факторы»



"Бытовые факторы": Total


1 2 3 4 1

0 Count 18 18 18 21 75


% within "Учится хорошо"(От 3.6 до 24,0% 24,0% 24,0% 28,0% 100,0%


% within "Бытовые факторы": 40,9% 47,4% 40,9% 48,8% 44,4%

1 Count 26 20 26 22 94


% within "Учится хорошо"(От 3.6 до 4.5) 27,7% 21,3% 27,7% 23,4% 100,0%


% within "Бытовые факторы": 59,1% 52,6% 59,1% 51,2% 55,6%
Total Count 44 38 44 43 169

"Учится хорошо" 26,0% 22,5% 26,0% 25,4% 100,0%

Таблица 2.7

«Учится хорошо (От 3.6 до 4.5) *Личностные факторы»

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: