А.Ю. Черепков1
1 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

1 cherepkov.andrey@mail.ru

Постановка проблемы. Современные системы обучения часто сталкиваются с необходимостью учета нелинейных зависимостей между параметрами учебного процесса, индивидуальными особенностями студентов и итоговыми результатами. Однако применение традиционных статистических методов (например, линейной регрессии) ограничено их способностью работать с неопределенностью и сложными данными. Дополнительной сложностью является отсутствие систематизированных подходов к выбору оптимальной архитектуры нейронных сетей, что затрудняет их внедрение в образовательную практику.

Цель. Провести сравнение нейросетевых моделей и традиционных методов машинного обучения (мультиномиальная логистическая регрессия, случайные леса) для прогнозирования результатов обучения, а также определить оптимальные параметры архитектуры нейронных сетей с использованием языка программирования Python.

Результаты. Представлены результаты производительности нейронных сетей, мультиномиальной регрессии и ансамблевых методов (случайный лес, XGBoost) на данных образовательных процессов. Проведен анализ влияния числа нейронов в скрытом слое на точность модели. Подтверждена универсальность нейросетевых моделей как аппроксиматоров для прогнозирования результатов обучения с учетом индивидуальных характеристик студентов.

Практическая значимость. Результаты исследования могут быть использованы для разработки адаптивных образовательных платформ, обеспечивающих персонализированный подбор заданий и динамическое корректирование учебных планов, создания систем анализа данных обучения, интегрирующих нейросетевые и нечеткие модели для работы с неопределенными педагогическими параметрами, оптимизации процессов оценивания знаний через выбор оптимальной архитектуры нейронных сетей с учетом доступных ресурсов.

Черепков А.Ю. Оптимизация нейросетевых моделей для персонализации образовательных процессов: сравнение методов и анализ вариативности архитектур // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 20–25. DOI: https://doi.org/ 10.18127/j19998554-202503-03

1. Asampana G., Nantomah K.K., Tungosiamu E.A. Multinomial logistic regression analysis of the determinants of students’ academic performance in mathematics at basic education certificate examination // Higher Education Research. 2017. V. 2 (1). P. 22–26.
2. 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.
3. Катасёва Д.В. Нейронечеткая модель и программный комплекс формирования баз знаний для оценки состояния объектов // Прикаспийский журнал: управление и высокие технологии. 2022. № 1 (57). С. 65–76.
4. Маравьева-Витковская Л.А. Моделирование интеллектуальных систем. СПб.: НИУ ИТМО. 2021.
5. Каличкин В.К., Федоров К.Ю., Максимович Д.С., Шпак В.А. Сравнение предиктивной способности моделей машинного обучения с использованием различной структуры данных // Известия ТулГУ. Технические науки. 2024. № 8. С. 395–400.
6. Дановский В.Д. Сравнение моделей машинного обучения для задачи предсказания порока сердца // Сб. материалов 60-й науч. конф. аспирантов, магистрантов и студентов БГУИР «Электронные системы и технологии». Минск. 2024. С. 96–100.
7. Черепков А.Ю., Дружинина О.В. Инструментально-методическое обеспечение оценивания и прогнозирования знаний в педагогическом процессе // Нелинейный мир. 2024. Т. 22. № 1. С. 15–21.
8. Маторин Д.Д., Черепков А.Ю., Зайцев Д.С. Нейросетевые архитектуры для моделирования образовательных процессов // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 1. С. 63–71.
9. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. V. 2 (5). P. 359–366.