Sildiarhiiv: võrgustikud

Arvutiajastu hindamissüsteemist

Tudengi hindamisel ülikoolis on probleem see, et tahaksime teada nii tudengi andekuse ja töökuse kombinatsiooni kui ka aine raskust, aga vaadeldav on ainult üks number – hinne. Kuna hinne H sõltub nii andekusest A kui aine raskusest R (näiteks funktsioonina H=A-R), ei saa andekust ja raskust ainult hinde põhjal eristada. Pole võimalik ühe võrrandi põhjal leida kahte muutujat.

Probleem leeveneb, kui vaadeldav on mitme tudengi hinne mitmes aines. Näiteks kui kaks tudengit, A ja B, võtavad mõlemad aineid C ja D, siis on meil vaatlustena neli hinnet ja tahame leida kahe tudengi andekust ja kahe aine raskust. Seega on meil neli võrrandit nelja tundmatuga ja ülesanne on lahendatav.

Kui tudengid valivad oma ained nii, et maksimeerida oma keskmist hinnet, siis tekib uus probleem – kui ainete raskused või hindamispõhimõtted pole teada, ei saa keskmise hinde põhjal tudengi andekust mõõta. Üks võtab lihtsaid aineid ja saab kõrge keskmise hinde, teine raskeid aineid ja saab madala keskmise hinde, aga andekus on sama. Seda kallutatust on püütud leevendada suhtelise hindamisega, mille korral näiteks parimad 10% aines saavad A, järgmised 20% B jne. Kui aine on raske, saavad kõik tudengid madala absoluutpunktisumma, aga kuna hinne tekib suhtelise punktisumma põhjal (näiteks jagatakse kõigi punktisumma aine parima tulemusega), siis on raske aine keskmine hinne sama, mis lihtsas aines.

Siit tekib aga uus mure, sest tudengid võivad püüda valida aineid, kus ülejäänud tudengid on keskmisest viletsamad. On lihtsam saada teistest paremat tulemust, kui teised on nõrgad. Kui tahame teada tudengi andekust, tuleb hinnet selle kallaku võrra korrigeerida, näiteks võttes arvesse teiste seda ainet võtvate tudengite keskmist hinnet (absoluutset või suhtelist) ülejäänud ainetes. Kui teised on nõrgad, on nende keskmine hinne muudes ainetes madal.

Aga siit tekib järgmine probleem, sest hinnet maksimeerivad tudengid tahavad võtta aineid, kus teised tudengid on keskmisest viletsamad ja võtavad aineid, mis on kas lihtsad või kus teised tudengid on samuti keskmisest viletsamad. Tundub, et iga probleemi lahendades tekib sellest uus probleem, ehk tegu on lõpmatu probleemijadaga. Igal lõplikul hinde korrigeerimise tasemel süsteemi on võimalik manipuleerida, püsides selle korrigeerimistasemest ühe sammu võrra ees – absoluuthinde puhul võttes lihtsaid aineid, suhtelise hinde puhul võttes rumalate tudengitega aineid, teiste hindega korrigeerimise puhul võttes aineid rumalate tudengitega, kes võtavad teisi lihtsaid aineid või teisi aineid rumalate tudengitega.

Kõiki ülaltoodud hindemanipulatsiooni probleeme saab lahendada korraga, tehes kõik korrigeerimised korraga. Sarnane probleem on ammu lahendatud otsingumootorite poolt – kõik veebilehed tahavad näida populaarsed, seega kuidas leida tegelikult populaarseid veebilehti. Üks võimalus oleks lugeda populaarseks need veebilehed, millele viitab palju teisi lehti. Aga siis tekiks veebilehe pidajatel motivatsioon luua palju võltsveebilehti, mis viitavad nende veebilehele. Võttes arvesse viitavate veebilehtede populaarsust, püsiksid veebilehtede omanikud ühe sammu ees, kui looksid võltsveebilehti, mis viitavad teistele võltsveebilehtedele, mis viitavad nende veebilehele. Ja viitavatele veebilehtedele viitavate veebilehtede populaarsuse arvesse võtmisel tehtaks veel üks samm edasi ja tõstetaks kunstlikult viitavatele veebilehtedele viitavate veebilehtede populaarsust.

Lahendus on korraga võtta arvesse kogu süsteemi. Veebilehtede puhul kogu veebilehtede ja linkide võrgustikku, tudengite hindamise puhul kogu tudengite ja ainete võrgustikku. Viimase puhul on tegemist kaht tüüpi sõlmedega võrgustikuga (bipartite graph), kus tudengid ja ained on võrgustiku sõlmed ning tudengi ja aine vahel on side, kui tudeng võtab seda ainet. Hindamise jaoks on vaid tarvis kõigi tudengite absoluutpunktisummadele kõigis ainetes rakendada veebilehtede populaarsusjärjestusse paneku algoritmi sarnast programmi. Kõigist hinnetest korraga on võimalik välja arvutada kõigi ainete raskused ja kõigi tudengite andekused, kui iga tudeng võtab vähemalt kaht ainet ja iga ainet võtab vähemalt kaks tudengit.

Realistlikkusest jääb ülaltoodud mudelil muidugi kõvasti puudu. Eeldusteks on ühemõõtmeline andekus, tudengite omavaheliste vastasmõjude ja tudengi-aine vastasmõjude puudumine, ainete valik vaid keskmise hinde maksimeerimiseks. Siiski, ühegi eelneva eelduse väärus ei tundu tekitavat kogu ülikooli hindeinfot arvesse võtva hindamissüsteemi kasutamisel negatiivset efekti.

Milleks on koolid ja trennid vajalikud

Lisa kommentaar

Inimesed võiksid ju ise lugeda õppematerjale, lahendada ülesandeid ja vaadata pärast vastused üle, nii et mis on koolide ülesanne? Samuti võiksid inimesed maksta ainult spordivarustuse ja ruumide rendi eest ja teha ise trenni, seega miks vajatakse treenerit ja spordiklubi?

Üks põhjus on inimeste laiskus, millest nad on ise teadlikud. Selle tõttu otsivad nad välist sundi, mis paneks neid tegema seda, mis lühiajaliselt on võibolla ebameeldiv, aga pikas perspektiivis kasulik. Ehk kooli astumine või spordiklubiga liitumine on pühendumisviis (commitment device), millega praegune mina sunnib oma tulevast mina tegema seda, mida praegune mina tahab, aga tulevane ei taha. Toimub mäng iseenda vastu.

Teine põhjus on, et õppija ise ei pruugi oma vigu märgata, nii et õpetaja või treener on kasulik, sest parandab vigu ja seletab õiget vastust või sporditehnikat. Tagasiside on vajalik edasiminekuks.

Kolmandaks pole inimene teadlik sellest, mida ta peaks õppima. Valimatu materjali lugemine või harjutuste tegemine võib olla väga ebaefektiivne viis valdkonda tundma õppida. Õpetaja või treener saab inimest vastavalt tema eesmärkidele suunata õigeid asju õppima, saab selgitada materjali, tehnikate või harjutuste õiget järjekorda. Probleem on õppurite teadmatuses – nad ei tea, mida nad ei tea. Nad teavad vaid, et on midagi, mida asjatundjad teavad ja algajad mitte, nii et asjatundja juurde minnakse teada saama, mis see on, millest teadlikud ei olda. Siis, kui on selge, mida ei teata ja peaks õppima, saab juba ise rohkem õppida.

Neljandaks on paljude inimestega kool või spordiklubi võimalus sidemete loomiseks oma valdkonna inimestega, võrgustikuga seostumiseks. Parimate ärikoolide üks põhilisi trumpe on, et seal õpib MBA-tudeng tundma tulevasi tippe ärimaailmas ja sellest on talle pärast tööl kasu.

Viiendaks tagab paljude tudengitega ülikool või suure liikmeskonnaga spordiklubi juurdepääsu ressurssidele. Õppematerjalide muretsemisel võivad olla suured mastaabisäästud, kui valdkonna tundmaõppimiseks peab kasutama mingit kallist vahendit, aga lühikest aega. Suur ülikool saab sisustada hea labori, kus siis iga tudeng saab paar tundi veeta. Ühe õppuri jaoks läheks see väga kalliks. Samuti saab spordiklubi ehitada tennise- või golfiväljaku, mida kõik liikmed kasutada võivad ja mis ühe inimese jaoks oleks väga kallis. Ülikooli või spordiklubisse võidakse astuda lihtsalt selleks, et saada juurdepääsu selle rajatistele, olgu selleks raamatukogu, labor või staadion.

Kuuendaks on sissesaamine prestiižsesse klubisse signaal sissesaaja kohta. Sel puhul töötab ülikool testimisasutusena, kus vastuvõtt ise on juba kvaliteeditunnus. Majandusteaduses kirjeldab seda Spence’i signaliseerimismudel, kus õppeasutus ise ei tõsta inimeste tootlikkust, aga targematel on sealt lihtsam läbi saada. Tööandjad väärtustavad õppeasutuse diplomit ainult sellepärast, et see aitab neil tootlikke töötajaid vähemtootlikest eristada.

Kvalifitseeritud õpetajaid või treenereid on vaja ainult teise ja kolmanda funktsiooni jaoks, mis võimaldab tööjaotusega asjatundjate aega kokku hoida.

Homofiilia takistab võrgustiku loomist

Lisa kommentaar

Olen nii Eestis kui USAs täheldanud, et kui mingis inimhulgas on suur osakaal ühel rühmal, siis kipuvad selle rühma inimesed rääkima omavahel ja eralduma ülejäänutest. Rühma kriteeriumiks võib olla näiteks rahvus, teadusvaldkond, aga ka lihtsalt üksteise varasem tundmine. Eraldumine ei ole enamasti tahtlik, lihtsalt oma rühma inimestega on lihtsam ühist teemat leida, ja rühma mittekuuluvad inimesed ei oska sel teemal kaasa rääkida ega huvitu sellest samal määral. Kui rühm põhineb rahvusel, võidakse ka rääkida keeles, mida ülejäänud ei oska. See välistab ülejäänute osalemise vestluses muidugi täielikult. Huviala põhjal moodustunud rühm kasutab erialaseid termineid ja taustateadmisi, mis sarnaselt keelele teevad teiste suhtlemises osalemise raskeks.

Teaduses on oma grupi eelistamise kohta isegi termin – homofiilia, mis tähendab sarnasusearmastust või sarnasearmastust. See on inimeste hulgas laialt levinud.

Homofiilia takistab uute sotsiaalsete sidemete teket ja võrgustiku laienemist – kõik räägivad oma grupi liikmetega või vanade tuttavatega, seega ei tutvu uute inimestega. Võrgustiku loomise kasulikkusest on palju räägitud, nii et ma ei hakka seda üle kordama.

Ülikooli puhul on üks välistudengite kutsumise eesmärke tekitada kodumaistele tudengitele rahvusvahelisi kontakte. Homofiilia töötab sellele tugevasti vastu, näiteks Tartus ei rääkinud ma vist ühegi rahvusvahelise tudengiga ega teadnud nende olemasolustki, kuigi neid on vähemalt paarkümmend. Oleks olnud kasulik nendega tutvuda. Ott Toomet kirjutas, et Tartu välismaalased on üsna rahulolematud selle üle, et kohalikud nendega ei suhtle.

Tartu Ülikoolile oleks selgelt kasulik soodustada rahvusvaheliste kontaktide teket tudengite hulgas. Yale’is korraldab välisüliõpilastalitus keeleõppe vestlusringe, USA kultuuri tutvustavaid jutuajamisi ja viib välismaalasi kokku peredega, kes neid õhtusöögile tahavad kutsuda. Kõik selleks, et homofiilia ei eraldaks välistudengeid oma getosse ja et kõik osapooled võidaksid rahvusvahelistest kontaktidest.