Pan-Art Педагогика. Вопросы теории и практики Филологические науки. Вопросы теории и практики Манускрипт

Архив научных статей

ВЫПУСК:    Педагогика. Вопросы теории и практики. 2025. Том 10. Выпуск 5
КОЛЛЕКЦИЯ:    Цифровое образование

Все выпуски

Лицензионное соглашение об использовании научных материалов.

Применение нейросетевого подхода к построению современного образовательного процесса в вузе

Бояров Евгений Николаевич
Сахалинский государственный университет, г. Южно-Сахалинск

Абрамова Светлана Владимировна
Сахалинский государственный университет, г. Южно-Сахалинск

Купцова Олеся Витальевна
Сахалинский государственный университет, г. Южно-Сахалинск

Шитов Эльдар Николаевич
Сахалинский государственный университет, г. Южно-Сахалинск

Станкевич Петр Владимирович
Российский государственный педагогический университет им. А. И. Герцена, г. Санкт-Петербург
Дата поступления рукописи в редакцию: 16 мая 2025 г.
Аннотация. Цель исследования заключается в теоретическом обосновании возможности применения нейросетевого подхода к построению современного образовательного процесса в вузе. В статье рассматриваются основные методы машинного обучения, используемые для анализа образовательных данных, обосновывается необходимость их внедрения в образовательный процесс. Особое внимание уделено вопросам интерпретируемости моделей искусственных нейронных сетей (ИНС) и их влиянию на принятие решений в образовательных учреждениях. Научная новизна заключается в обосновании сущности нейросетевого подхода и его принципов как теоретической основы для разработки и обоснования моделей организации различных этапов образовательного процесса в вузе с применением ИНС. Результаты исследования включают описание применения нейросетевого подхода к организации адаптивного обучения; оцениванию текущих достижений обучающихся и осуществлению обратной связи с преподавателем; прогнозированию успешности обучения; построению индивидуальных образовательных траекторий. Сделан вывод о возможности практического применения разработанных моделей для организации различных этапов образовательного процесса в вузе, направленного на повышение адаптивности, персонализации и эффективности обучения.
Ключевые слова и фразы:
нейросетевые технологии
прогнозирование успеваемости
адаптивное обучение
машинное обучение
нейросетевой подход
neural network technologies
performance prediction
adaptive learning
machine learning
neural network approach
Reader Открыть полный текст статьи в формате PDF. Бесплатный просмотрщик PDF-файлов можно скачать здесь.
Список литературы:
  1. Абрамова С. В., Бояров Е. Н. Системно-структурный подход к построению содержания образования в области безопасности жизнедеятельности // Фундаментальные проблемы образования в области безопасности жизнедеятельности: материалы научно-практической конференции (г. Санкт-Петербург, 12-13 ноября 2019 г.). СПб.: Бук, 2019.
  2. Бояров Е. Н. Применение адаптивного подхода в подготовке современного педагога в области безопасности жизнедеятельности // Вестник Череповецкого государственного университета. 2015. № 8 (69).
  3. Васильева Е. Е., Курушин Д. С., Власов С. С. Раннее прогнозирование среднего балла диплома студентов университета: нейросетевой подход // Международная конференция по мягким вычислениям и измерениям. 2019. Т. 1.
  4. Гриценко Е. М., Осавелюк П. А. Метод нейросетевого моделирования построения индивидуальных траекторий обучения // Вестник Приамурского государственного университета им. Шолом-Алейхема. 2013. № 1 (12).
  5. Добровольская Н. Ю. Нейросетевые технологии при организации обучения бакалавров прикладной математики // Актуальные проблемы обучения математике в школе и вузе: от науки к практике. К 80-летию со дня рождения В. А. Гусева: материалы VII Международной научно-практической конференции (г. Москва, 18-19 ноября 2022 г.). М.: Московский педагогический государственный университет, 2022.
  6. Зайцева Т. В., Игрунова С. В., Путивцева Н. П., Пусная О. П., Нестерова Е. В. Модель оценивания профессиональных компетенций на базе нейросетевого подхода // Информационные технологии в науке и производстве: материалы IV Всероссийской молодежной научно-технической конференции (г. Омск, 08-09 февраля 2017 г.). Омск: Омский государственный технический университет, 2017.
  7. Agarwal B., Mittal N. Text Classification Using Machine Learning Methods-A Survey // Proceedings of the Second International Conference on Soft Computing for Problem Solving (SocProS 2012) (December 28-30, 2012). Advances in IS and Computing. 2014. Vol. 236. https://doi.org/10.1007/978-81-322-1602-5_75
  8. Amazona M. V., Hernandez A. A. Modelling student performance using data mining techniques // Proceedings of the 2019 5th International Conference on Computing and Data Engineering. ICCDE’19. N. Y.: Association for Computing Machinery; 2019. https://doi.org/10.1145/3330530.3330544
  9. Blanco J., Lovelle S., Fernandez R., Perez E. Predicción de resultados académicos de estudiantes de informática mediante el uso de redes neuronales // Ingeniare. Revista chilena de ingeniería. 2016. Vol. 24 (4). https://doi.org/10.4067/S0718-33052016000400015
  10. Daud A., Aljohani N. R., Abbasi R. A., Lytras M. D., Abbas F., Alowibdi J. S. Predicting student performance using advanced learning analytics // Proceedings of the 26th International Conference on World Wide Web Companion. Republic and Canton of Geneva, CHE: International World Wide Web Conferences Steering Committee, 2017. https://doi.org/10.1145/3041021.3054164
  11. Devasia T., Vinushree T. P., Hegde V. Prediction of students’ performance using educational data mining // 2016 International Conference on Data Mining and Advanced Computing (SAPIENCE). Ernakulam: IEEE, 2016. https://doi.org/10.1109/SAPIENCE.2016.7684167
  12. Devlin J., Chang M. W., Lee K., Toutanova K. BERT: pre-training of deep bidirectional transformers for language understanding // NAACL-HLT. Minneapolis, 2019.
  13. Jayaprakash S., Krishnan S., Jaiganesh V. Predicting students academic performance using an improved random Forest classifier // 2020 International Conference on Emerging Smart Computing and Informatics (ESCI). Pune: IEEE, 2020. https://doi.org/10.1109/ESCI48226.2020.9167547
  14. Kadhim A. I. Survey on supervised machine learning techniques for automatic text classification // Artif Intell. 2019. Vol. 52. https://doi.org/10.1007/s10462-018-09677-1
  15. Kangoo N. A., Roy A. Supervised Machine Learning Text Classification: A Review // Proceedings of International Conference on Paradigms of Communication, Computing and Data Analytics. PCCDA 2023. Algorithms for IS / ed. by A. Yadav, S. J. Nanda, M. H. Lim. Singapore: Springer Nature Singapore, 2023. https://doi.org/10.1007/978-981-99-4626-6_53
  16. Kumar V. U., Krishna A., Neelakanteswara P., Basha C. Z. Advanced prediction of performance of a student in an university using machine learning techniques // 2020 International Conference on Electronics and Sustainable Communication Systems (ICESC). Coimbatore: IEEE, 2020. https://doi.org/10.1109/ICESC48915.2020.9155557
  17. Páez A., Guzmán D. Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN // Revista Iberoamericana para la Investigación y el Desarrollo Educativo. 2018. № 8 (16). https://doi.org/10.23913/ride.v8i16.340
  18. Prasad A., Kaur M., Kan M.-Y. Neural ParsCit: a deep learning-based reference string parser // International Journal on Digital Libraries. 2018. № 19. https://doi.org/10.1007/s00799-018-0242-1
  19. Rincon-Flores E. G., López-Camacho E., Mena J., López O. O. Predicting academic performance with artificial intelligence (AI), a new tool for teachers and students // 2020 IEEE Global Engineering Education Conference (EDUCON). Porto: IEEE, 2020. https://doi.org/10.1109/EDUCON45650.2020.9125141
  20. Roy A., Ghosh D. Pattern Recognition based Tasks and Achievements on Handwritten Bengali Character Recognition // 6th International Conference on Inventive Computation Technologies (ICICT). Coimbatore: IEEE, 2021. https://doi.org/10.1109/ICICT50816.2021.9358783
  21. Widyaningsih Y., Fitriani N., Sarwinda D. A semi-supervised learning approach for predicting Student’s performance: first-year students case study // 12th International Conference on Information & Communication Technology and System (ICTS). Surabaya: IEEE, 2019. https://doi.org/10.1109/ICTS.2019.8850950
  22. Wu J., Rohatgi Sh., Keesara S. R. R., Chhay J., Kuo K., Menon A. M., Parsons S., Urgaonkar B., Lee Giles C. Building an Accessible, Usable, Scalable, and Sustainable Service for Scholarly Big Data // 2021 IEEE International Conference on Big Data (Big Data). Orlando: IEEE, 2021. https://doi.org/10.1109/BigData52589.2021.9671612
  23. Zhang L., Sun B., Shu F., Huang Y.Comparing paper level classifications across different methods and systems: an investigation of Nature publications // Scientometrics. 2022. Vol. 127. https://doi.org/10.1007/s11192-022-04352-3
Все выпуски


© 2006-2025 Издательство ГРАМОТА