А.Ю. Черепков1, О.В. Дружинина2

1,2 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

2 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)

1cherepkov.andrey@mail.ru; 2ovdruzh@mail.ru

Постановка проблемы.  В настоящее время процесс оценивания знаний студентов связан с разработкой адаптивного инструментально-методического обеспечения, которое позволяет учитывать и корректировать уровень подготовки каждого студента. При решении задач моделирования и инструментальной поддержки педагогических процессов достаточно широко используются методы машинного обучения и искусственные нейронные сети. Следует отметить, что эффективные результаты могут быть получены при использовании мультиноминальной логистической регрессии на основе комплексного подхода, объединяющего инструменты интерактивного тестирования и прогностического моделирования.

Цель. Разработать инструментально-методическое обеспечение оценивания и прогнозирования знаний в педагогическом процессе с учетом использования алгоритмов интерактивного тестирования и прогностического моделирования на основе мультиномиальной логистической регрессии.

Результаты. Разработан такой программный комплекс для оценки знаний студентов и прогнозирования успеваемости в учебном процессе, который комбинирует инструменты интерактивного тестирования с прогностическим моделированием, использующим мультиномиальную логистическую регрессию. Отмечено, что для разработки программного комплекса использован язык высокого уровня Python с привлечением математических библиотек. Рассмотрены аспекты разработки системы поддержки курса «Интеллектуальные транспортные системы» в системах высшего и дополнительного образования.

Практическая значимость. Полученные результаты могут быть использованы при решении задач совершенствования интеллектуальных образовательных сред и в задачах моделирования педагогических процессов. Кроме того, результаты могут найти применение для анализа эффективности методов обучения, выявления трендов и паттернов в учебном процессе, а также прогнозирования успеваемости студентов.

1. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс. 2015.
2. Орлов А.И. Искусственный интеллект: cтатистические методы анализа данных. М.: Ай Пи Ар Медиа. 2022.
3. Nafea I.T. Machine learning in educational technology// Machine Learning-Advanced Techniques and Emerging Applications. 2018. P. 175–183.
4. Mengqiu C., Yun L., Ying L. Machine learning and modern education. // Lecture Notes of the Institute for Computer Sciences (LNICST). 2018. V. 243. P. 41–46.
5. Побединская Т.В., Заславская О.Ю. Использование алгоритмов машинного обучения для прогноза успеваемости учащихся основной школы // Вестник МГПУ. Сер. Информатика и информатизация образования. 2022. № 4(62).
   С. 75-82.
6. Григорьев А.П., Мамаев В.Я. О применении нейронных сетей в тестировании знаний // Научное приборостроение. 2016. Т. 26. № 4. С. 77–84.
7. Druzhinina O.V., Karpacheva I.A., Masina O.N., Petrov А.А. Development of an integrated complex of knowledge base and tools of expert systems for assessing knowledge of students in mathematics within the framework of a hybrid intelligent learning environment // International Journal of Education and Information Technologies. 2021. V. 15. P. 122–129.
8. 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. 180–189.
9. 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. DOI: https://doi.org/10.18127/j19998554-202301-03.
10. Черепков А.Ю., Маторин Д.Д., Зайцев Д.С. Инструментальное обеспечение интерактивного тестирования и прогностического моделирования уровня знаний студентов с применением нейронных сетей // Нелинейный мир. 2023. Т. 21. № 4. С. 39−45. DOI: https://doi.org/10.18127/j20700970-202304-05.
11. Душкин Р.В. Интеллектуальные транспортные системы. М.: ДМК Пресс. 2020.
12. Раптанова П.А., Михеева Т.И., Чекина Е.В. Системный анализ проблем моделирования и оптимизации интеллектуальных транспортных систем // Научно-технический вестник Поволжья. 2022. № 12. С. 174–176.