АЛГОРИТМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОГНОЗИРОВАНИИ ОБРАЗОВАТЕЛЬНЫХ ПОКАЗАТЕЛЕЙ
Keywords:
искусственный интеллект, машинное обучение, прогнозирование образовательных показателей, нейронные сети, образовательная аналитика, академическая успеваемость, диагностика обучения, оценивание компетенций, интеллектуальный анализ данных, цифровизация образования, алгоритмы классификации, управление образованиемAbstract
Статья посвящена исследованию применения алгоритмов искусственного интеллекта в прогнозировании образовательных показателей как инструмента совершенствования управления учебным процессом в системе высшего образования. Актуальность темы обусловлена возрастающей потребностью образовательных организаций в точных инструментах оценки и прогнозирования учебных результатов в условиях цифровой трансформации. В работе систематизируются теоретические основания применения методов машинного обучения, глубоких нейронных сетей и ансамблевых алгоритмов для прогнозирования академической успеваемости, рисков отсева, уровня сформированности компетенций и результативности образовательных программ. Анализируются ключевые классы алгоритмов, применяемых в образовательном контексте: алгоритмы классификации, регрессии, кластеризации и обработки естественного языка. Исследование опирается на методологию системного анализа, сравнительного обзора литературы и анализа прикладных кейсов международных университетов. Обосновывается, что интеграция алгоритмов искусственного интеллекта в системы оценивания (assessment) и диагностики (diagnostics) образовательных результатов обеспечивает переход от периодической к непрерывной эвалюации (evaluation) образовательного процесса. Сформулированы организационно-методические рекомендации по внедрению интеллектуальных систем прогнозирования в практику образовательных организаций
References
1. Шаталова Н.И. Методологические основы образовательного измерения и оценивания компетенций в высшей школе // Педагогическое образование в России. 2015. No 6. С. 40-48.
2. Lan A.S., Waters A.E., Studer C., Baraniuk R.G. Sparse Factor Analysis for Learning and Content Analytics // Journal of Machine Learning Research. 2014. Vol. 15, No. 1. С. 61-104.
3. Полат Е.С., Бухаркина М.Ю. Современные педагогические и информационные технологии в системе образования. М.: Академия, 2010. 368 с.
4. Crossley S.A., Kyle K., McNamara D.S. Sentiment Analysis and Social Cognition Engine (SEANCE): An automatic tool for sentiment, social cognition, and social-order analysis // Behavior Research Methods. 2017. Vol. 49, No. 3. С. 803-821.
5. Baker R.S., Yacef K. The State of Educational Data Mining in 2009: A Review and Future Visions // Journal of Educational Data Mining. 2009. Vol. 1, No. 1. С. 200-220.
6. Romero C., Ventura S. Educational Data Mining: A Review of the State of the Art // IEEE Transactions on Systems, Man, and Cybernetics. 2010. Vol. 40, No. 6. С. 601-618.
7. Осин А.В. Мультимедиа в образовании: контекст информатизации. М.: Агентство "Издательский сервис", 2004. 320 с.
8. Краснова Г.А., Беляев М.И. Открытое образование: цивилизационные подходы и перспективы. М.: РУДН, 2008. 252 с.
9. Mitchell T.M. Machine Learning. McGraw-Hill, 1997. 432 с.
10. Тихомиров В.П., Днепровская Н.В. Умный университет. М.: МЭСИ, 2014. 224 с.
11. Miselyard J.A., Trigwell K., Ashwin P. Using machine learning to predict academic achievement in higher education // Studies in Higher Education. 2020. Vol. 45, No. 12. С. 85-101.
