С.С. Китов1, И.А. Прокопенков2, С. Грибченко3, В.В. Куликов4, О.В. Платонова5

1,2 Военная академия войсковой ПВО ВС РФ (г. Смоленск, Россия)
3 Военный институт физической культуры (Санкт-Петербург, Россия)
4 АО «Концерн «Моринформсистема – Агат» (Москва, Россия)
5 МИРЭА – Российский технологический университет (Москва, Россия)
1 kot_vifk@mail.ru, 2 prokopenkoff.ivan@yandex.ru, 4 vlk6161@yandex.ru

Постановка проблемы. Предлагаемая в статье программа прогнозирования оптимального варианта комплекса образовательных инструментов обладает высокой общностью. Заложенные в программе принципы позволяют применить ее при решении задач оценивания организационно-технических систем, а также при обосновании облика учебно-тренировочных комплексов и др. В качестве наглядного примера рассмотрено использование программы прогнозирования как эффективного образовательного инструмента конкретной группы обучающихся. Проблемы воспитания и сплочения коллективов являются приоритетными в системе образования. Современные исследования фиксируют положительную роль физической культуры в формировании у обучающихся таких ценностей, как коллективизм, сотрудничество, взаимная поддержка и способность к достижению единой цели. Однако подбор оптимального варианта комплексного группового упражнения с учетом физических и психологических показателей конкретной учебной группы представляет собой многокритериальную задачу классификации, требующую значительных временных затрат преподавателя.

Цель. Дать теоретическое обоснование, разработать и провести экспериментальную верификацию программы прогнозирования оптимального варианта комплекса групповых упражнений с учетом физических и психологических показателей группы, построенной на основе модели машинного обучения «Градиентный бустинг».

Результаты. Представлена авторская программа прогнозирования на основе модели машинного обучения «Градиентный бустинг», позволяющая определять оптимальный вариант комплекса групповых упражнений для повышения сплоченности коллектива. Отмечено, что программа оперирует средними исходными данными по пяти показателям сплоченности (конкуренция, приспособление, компромисс, избегание, сотрудничество) и трем показателям физической подготовленности (бег 60 м, подтягивание на перекладине, бег 1000 м). Указано, что после выбора модуля учебной программы (легкая атлетика, спортивные игры, плавание, гимнастика) и запуска расчета активируется обученная ансамблевая модель. Установлено, что обоснованность выбора градиентного бустинга обеспечивается его способностью к построению сложных нелинейных разделяющих поверхностей и встроенным механизмом регуляризации, снижающим риск переобучения. Сделана сравнительная оценка метрик качества на тестовой выборке, показавшая, что модель «Градиентный бустинг» прогнозирует оптимальный вариант комплекса с точностью 98,1% и значением логистической функции потерь 0,082, а это превосходит аналогичные показатели моделей «Случайный лес» (точность 86,9%, значение логистической функции потерь 0,267) и «Логистическая регрессия» (86,2%, значение логистической функции потерь 0,315).

Практическая значимость. В данной программе использованы эмпирические данные, полученные в ходе педагогических экспериментов, доказавших эффективность предложенных комплексов. Программа даст возможность сократить время подготовки преподавателя к занятию в 8–10 раз при гарантированном достижении воспитательной цели по сплочению коллектива.

Китов С.С., Прокопенков И.А., Грибченко С., Куликов В.В., Платонова О.В. Программа прогнозирования оптимального варианта комплекса образовательных инструментов на основе машинного обучения и искусственного интеллекта // Наукоемкие технологии. 2026. Т. 27. № 4. С. 89−95. DOI: https://doi.org/ 10.18127/ j19998465-202604-09

1. Козлов А.П., Попов В.А. Влияние физической подготовки военнослужащих на боевую сплоченность воинских коллекти­вов // Символ науки. 2020. № 2. С. 101–104.
2. Остапенко Р.И., Небольсин А.А. Исследование сплоченности воинской группы с помощью математических методов // Психология, социология и педагогика. 2014. № 4. URL: https://psychology.snauka.ru (дата обращения: 20.02.2026).
3. Бахтин А.А., Савельев В.Ю. Применение методов машинного обучения для прогнозирования успешности учебной деятельности // Информатика и образование. 2023. № 2. С. 45–54.
4. Хайкин С. Нейронные сети: полный курс. Изд. 2-е. М.: Вильямс. 2021. 1104 с.
5. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, 2016. P. 785–794.