Н.А. Хамидуллина1, С.Я. Гродзенский2

1,2 Российский государственный социальный университет им. Д.И. Згирскиса (Москва, Россия)
1 Efremka@list.ru, 2grodzenskys@yandex.ru

Постановка проблемы. Современные методы оценки практических компетенций в образовании сталкиваются с различными трудностями, вызванными субъективностью экспертных оценок, размытостью качественных критериев, высокой ресурсоемкостью обработки многомерных и неструктурированных данных, а также неспособностью традиционных подходов в педагогике быстро и эффективно приспосабливаться к новым условиям и требованиям цифровой трансформации. Все это снижает объективность, эффективность и масштабируемость систем оценки, ограничивая их применение в условиях современных образовательных реалий. Применение нечеткой логики, позволяющей работать с неопределенностью через лингвистические переменные и функции принадлежности, могло бы помочь в преодолении указанных трудностей, однако ее внедрение в существующие системы оценки требуют преодоления вычислительных и интерпретационных проблем. Статья посвящена перспективному, но пока еще не доведенному до практического использования методу, сочетающему приемы нечеткой логики и искусственного интеллекта.

Цель. Дать обзор методов нечеткой логики и искусственного интеллекта, повышающих объективность, гибкость и эффективность оценки практических навыков студентов, а также минимизации субъективных искажений и вычислительных ограничений.

Результаты. Сделан обзор методов нечеткой логики и искусственного интеллекта, способствующих повышению объективности оценки практических навыков в системе образования. Представлен алгоритм агрегирования экспертных оценок и анализа согласованности мнений. Описан подход, сочетающий нечеткую логику с многокритериальным анализом для обработки результатов оценивания экспертами. Проанализирована возможность использования нечеткой логики для формализации качественных параметров в оценке практических навыков. Рассмотрены возможности для трансформации традиционных методов оценки, сочетающий математическую строгость нечеткой логики с прогностической мощью искусственного интеллекта, что особенно актуально в условиях цифровизации образования.

Практическая значимость. Результаты исследования помогают расширить возможности применения на практике нечеткой логики для повышения объективности оценки практических навыков в системе образования.

Хамидуллина Н.А., Гродзенский С.Я. Нечеткая логика и искусственный интеллект в системе оценивания: перспективы интеграции // Нелинейный мир. 2025. Т. 23. № 4. С. 43–49. DOI: https://doi.org/10.18127/ j20700970-202504-05

1. Zadeh L.A. Fuzzy sets. Information and Control.1965.V. 8. № 3. P. 338–353.
2. Mamdani E. Application of fuzzy algorithms for control of simple dynamic plant. Proceedings of the Institution of Electrical Engineers.1974. V. 121. № 12. P. 1585–1588.
3. Гродзенский С.Я., Калачева Е.А. Информационные технологии: история развития и становления // Нелинейный мир. 2016. Т. 14. № 5. С. 74–79.
4. Гродзенский С.Я., Чесалин А.Н. Использование аппарата нечеткой логики для оценки надежности автоматизированных систем // Нелинейный мир. 2017. Т. 15. № 4. С. 17–24.
5. Сухих И.И. Модели и алгоритмы системы повышения качества подготовки ИТ-специалистов на основе гармонизации учебного плана // Нелинейный мир. 2025. Т. 23. № 1. С. 35–45.
6. Чесалин А.Н., Ушкова Н.Н., Гродзенский С.Я., Овчинников С.А., Ставцев А.В., Болотин К.В. Формирование ИТ-компетенций в образовательных программах высшего образования // Нелинейный мир. 2025. Т. 23. № 1. С. 46–58.
7. Савченко Д.В., Резникова К.М., Смышляева А.А. Нечеткая логика и нечеткие информационные технологии // Отходы и ресурсы. 2021. Т. 8. № 1. С. 1–12. URL: https://resources.today/PDF/10ECOR121.pdf. (дата обращения: 06.05.2025).
8. Воробьева А.Ю., Сукманова Я.А., Брусенцев Н.С. Применение гибридных интеллектуальных систем. Материалы
   10-й Всерос. науч.-техн. конф. Курск: Юго-Западный государственный университет. 2024. 25–26 сентября. С. 61–65.
9. Roden B., Lusher D., Spurling T.H., Simpson G.W., Klein T., Brailly J., Hogan B. Avoiding GIGO: Learnings from data collection in innovation research // Social Networks. 2020. V. 63. P. 193–204.
10. Гродзенский С.Я., Чесалин А.Н. От статистического мышления к интеллектуальному // Стандарты и качество. 2020. № 10(1000). С. 94–97.
11. Скворцов С.В., Хрюкин В.И., Скворцова Т.С. Анализ согласованности мнений специалистов в условиях противоречивости экспертных оценок проектных альтернатив // Вестник РГРТУ. 2021. № 76. С. 53–63.
12. Левкина И.А., Леденева Т.М. Агрегирование интервальной информации // Международный научно-исследовательский журнал. 2022. № 6 (120). Ч. 1. С. 78–88.
13. Ngossaha J.M., Fonkoua Tatang K.N., Ntjam Ngamby L.B., Mfopou A., Tsakou S.B. Integrating fuzzy multicriteria decision making approach for improving the quality of urban mobility services in developing countries. Journal of Infrastructure Policy and Development. 2024. V. 8. № 8. Article ID: 6183
14. Хацкевич В.Л. Нечеткие усредняющие операторы в задаче агрегирования нечеткой информации // Информатика и ее применения. 2022. Т. 16. № 4. С. 51–56.
15. Qian J., Zhou G., He W., Cui Y., Deng H. Optimization of teacher evaluation indicator system based on fuzzy-DEMATEL-BP.Heliyon. 2024. V. 10. № 13. e34034. P. 1–16.
16. Cheng M. Fuzzy Neural Network Algorithm Applied to the Construction of a Prediction Model for Online Buying Behavior. Applied Mathematics and Nonlinear Sciences. 2023. V. 9. № 1. P. 1–19.