Д.Д. Маторин1, А.Ю. Черепков2, Д.С. Зайцев3

1–3 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)
 

Постановка проблемы. Проблема, которой посвящена статья, заключается в разработке эффективных нейросетевых архитектур для объективной и последовательной оценки знаний студентов по заданной шкале на основе количественных данных. Важным направлением исследования является развитие подхода к разработке и реализации нейронных сетей, позволяющих эффективно обрабатывать педагогические данные и прогнозировать объективные оценки усвоения знаний учащихся с применением многоуровневых структур и логистической регрессии.

Цель. Рассмотреть подход к разработке нейросетевых архитектур для моделирования образовательных процессов, а также разработать эффективные модели для анализа педагогических данных с помощью нейронных сетей, многоуровневых структур и мультиномиальной логистической регрессии.

Результаты. Показано использование нейросетевых архитектур для моделирования образовательных процессов. Изучен случай агентной системы для формирования модуля оценивания знаний обучающихся. Предложена архитектура нейронной сети для моделирования многоуровневой системы оценивания знаний. Рассмотрено использование мультиномиальной логистической регрессии в рамках нейросетевого моделирования обучающей среды. Приведен пример реализации модели мультиномиальной логистической регрессии, которую можно применять для прогнозирования принадлежности студента к каждому из четырех оценочных классов на основе входных характеристик.

Практическая значимость. Полученные результаты могут быть использованы в задачах прогнозирования успеваемости учащихся, в разработке систем адаптивного обучения с учетом персонализации, а также в моделировании образовательных процессов.

Маторин Д.Д., Черепков А.Ю., Зайцев Д.С. Нейросетевые архитектуры для моделирования образовательных процессов // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 1. С. 63-71. DOI: https://doi.org/10.18127/j19998554-202301-03

1. Панюкова С.В. Информационные и коммуникационные технологии в личностно-ориентированном обучении. М.: Прогресс. 1998. 205 с.
2. Кларин М.В. Педагогические технологии в учебном процессе. М.: Знание. 2008.
3. Вай Ян Мин. Применение нейронных сетей для контроля и прогнозирования результатов учебного процесса в вузе // Материалы международной научно-практической конференции «Четвертые декартовские чтения «Рационализм и универсалии культуры». Часть 2. М.: Национальный исследовательский университет «Московский институт электронной техники». 2017. С. 213–218.
4. Дружинина О.В., Корепанов Э.Р., Белоусов В.В., Масина О.Н., Петров А.А. Опыт разработки методов и средств нейросетевого моделирования нелинейных систем на базе отечественной вычислительной платформы «Эльбрус 801-PC» // Нелинейный мир. 2020. Т. 18. № 2. С. 5–17. DOI https://doi.org/10.18127/j20700970-202002-01.
5. Черномордов С.В., Дружинина О.В., Масина О.Н., Петров А.А. Применение методов машинного обучения в задачах нейросетевого моделирования управляемых технических систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 1. С. 25–35. DOI https://doi.org/10.18127/j19998554-202201-03.
6. Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006.
7. Руанет В.В., Хетагурова А.К. Нейросетевые технологии как средство организации образовательного процесса // Образовательные технологии и общество. 2005. № 4. С. 296–317.
8. Гриценко Е.М., Осавелюк П.А. Метод нейросетевого моделирования построения индивидуальных траекторий обучения // Вестник ПГУ им. Шолом-Алейхема. 2013. №1(12). С. 58–67.
9. Грушевский С.П., Добровольская Н.Ю., Кольцов Ю.В. Организация учебного процесса на основе нейросетевой компьютерной обучающей системы // Вестник Адыгейского государственного университета. Серия 3: Педагогика и психология. 2008. № 7. С. 142–148.
10. Петров А.А., Дружинина О.В., Масина О.Н. Моделирование систем оценивания знаний в рамках гибридной интеллектуальной обучающей среды // Современные информационные технологии и ИТ-образование. 2021. Т. 17. № 1. С. 1–14.
11. Григорьев А.П., Мамаев В.Я. О применении нейронных сетей в тестировании знаний // Научное приборостроение. 2016.
    № 4. С. 77–84.
12. Hsiang-Fu Yu, Fang-Lan Huang, Chih-Jen Lin. Dual coordinate descent methods for logistic regression and maximum entropy models // Machine Learning. 2011. V. 85. P. 41–75.