Спросить
Войти
Формирование цифровых навыков в электронной информационно-образовательной среде с использованием нейросетевых технологий
Торкунова Юлия Владимировна,
доктор пед. наук, доцент, кафедра информатики
и информационно-управляющих систем,
ФГБОУ ВО «Казанский государственный энергетический
университет»
E-mail: torkynova@mail.ru
Коростелева Диана Маратовна,
Аспирант, ФГАОУ ВО «Казанский (Приволжский)
Федеральный университет»
E-mail: korosteleva.professional@ya.ru
Кривоногова Анастасия Евгеньевна,
студент, ФГБОУ ВО «Казанский государственный энергетический университет» E-mail: programmer.adm@gmail.com
Целью исследования является выявление возможностей использования нейросетевых технологий при формировании цифровых навыков в дистанционном формате. Описана классификация нейросетевых технологий, проведен функциональный анализ. Сделан вывод, что по результатам анкетирования и входного тестирования нейросетевые технологии автоматически классифицируют пользователей по уровням: цифровая грамотность, цифровая культура, цифровые компетенции или цифровой профессионализм. Нейросетевая кластеризация позволяет дифференцировать обучение путем идентификации обучаемого в конкретном кластере с определенным темпом и содержанием обучения. Нейросетевые регрессионные технологии выявляют наиболее успешные и наиболее сложные области содержания образования и на основе выявления зависимостей предлагают индивидуализированные пулы задач. Технологии нейросетевого прогнозирования позволяют спроектировать индивидуальную траекторию как обучения, так и дальнейшего профессионального развития, а на основе анализа интернет-контента предложений HR-услуг осуществляется поиск и предложение возможных вакансий обучающимся при совпадении профилей.
Введение. Современные тренды в индустрии информационных технологий отражают активный рост внедрения систем искусственного интеллекта в промышленном секторе экономики, стремительная популяризация данного направления в науке, объективные преимущества искусственного интеллекта как фактора ведения хозяйственной деятельности обуславливают актуальность исследования возможностей применения нейросетевых технологий в дистанционном обучении.
Цель исследования. Для успешной цифровой трансформации образовательного процесса необходимо конструктивное обсуждение механизмов и инструментов адаптации современного опыта формирования и развития систем искусственного интеллекта к практике дистанционного обучения.
Материал и методы исследования. Современная электронная информационно-образовательная среда обеспечивает формирование цифровых компетенций предоставляя доступный образовательный контент, среду взаимодействия обучающихся и преподавателей независимо от времени и места нахождения в режиме дистанционного обучения. Обучение в такой среде осуществляется дистанционно
Внедрение технологии искусственного интеллекта в электронные образовательные системы позволит обеспечить значительно более высокую эффективность дистанционного обучения, в то же время, спектр его возможностей будет существенно расширен.
На текущий момент системы дистанционного обучения способны предоставить пользователям множество актуальных возможностей и большинство из них обладают следующим функционалом: возможность централизованного управления процессом обучения с удалённым доступом к образовательным ресурсам и автоматизацией ключевых функций;
- своевременная публикация актуального образовательного контента;
- наличие единой платформы для решения ключевых задач с менеджмента учебных мероприятий в образовательных организациях;
- возможность его многократного использования учебного контента;
- предоставляет широкий спектр инструментов организации взаимодействия между участниками учебного процесса.
Несмотря на обширный функционал дистанционных обучающих систем, их применение при реализации учебной программы не обеспечивает максимально достижимой эффективности. Автосз о со "О
сз т; о m О от
ы о со
см и?
рами статьи предлагается интегрировать в электронную информационно-образовательную среду технологии искусственного интеллекта. В частности, по мнению Васильева А.В., Поповой Ю.Б., оснащение электронных обучающих систем технологиями искусственного интеллекта, а именно нейросетевыми технологиями, позволяет не только трансформировать существующие автоматизированные системы управления, которые автоматизируют административные операции на уровне учебного заведения, но также имеют возможность технологически развить традиционные методы преподавания и обучения [1], что достигается за счет плавной интеграции с технологиями электронного обучения и онлайн-системами управления обучением (LMS).
Применение подобной электронной информационно-образовательной среды при реализации образовательного процесса нацелено на формирование цифровых навыков следующих четырех уровней: «цифровая грамотность», «цифровая культура», «цифровая компетентность» и «цифровой профессионализм». Цифровая грамотность - умение пользоваться цифровыми технологиями, применять их в учебной деятельности, иметь навыки поиска информации, ее презентации. Цифровая культура - умение уверенно, эффективно и безопасно применять цифровые технологии, работать в информационно-образовательной среде. Цифровая компетентность - наличие цифровой культуры в совокупности с навыками использования цифровых технологий в профессиональной деятельности. Цифровой профессионализм - самостоятельная разработка цифровых систем и технологий, навыки совершенствования имеющихся [2].
С целью обоснования интеграции нейросете-вых технологий в описанную информационно-обучающую среду отметим позитивные последствия подобной коллаборации:
Кроме положительных аспектов, исследователями в этой области были отмечены и возможные отрицательные: в первую очередь, они могут быть связаны с опасениями, связанными со сложностью реализации подобных систем, в частности:
Алгоритм получения решения задачи с помощью нейронной сети включает следующие этапы:
Машинное обучение включает в себя множество различных алгоритмов, применимых для решения поставленных задач, при этом существует градация на два класса:
Первый из представленных классов был назван так с соответствии с особенностями процесса обучения алгоритма: набор обучающих данных может быть рассмотрен в качестве «тьютора», контролирующего учебный процесс. Обладая набором правильных ответов, алгоритм итеративно делает прогнозы на тренировочных данных и корректируется учителем. Обучение останавливается в момент, когда алгоритм достигает приемлемого наперёд заданного уровня производительности. В свою очередь, задачи обучения с учителем включают задачи регрессии и классификации. В системе образования к такому типу задач можно отнести классификацию студентов, преподавателей в зависимости от различных факторов. Например, на основе анкетных данных абитуриента, модель нейронной сети отнесет его к тому или иному классу, что позволит принять качественное и объективное решение при отборе студентов.
Обучение без учителя подразумевает наличие большого количества размеченных и валидных данных, которые далеко не всегда имеются в распоряжении разработчиков подобных систем. Этот класс задач включает, в частности, задачи кластеризации и обнаружения аномалий[3].
В качестве примера можно привести задачу выявления группы студентов или сотрудников, которые близки по анализируемым признакам. Несомненно, необходим дальнейший анализ таких групп, чтобы дать ей обобщенную характеристику. Стоит отметить, что входными данными для алгоритма решения данной задачи должны являются неклассифицированные данные и параметры, на основе которых устанавливаются общие признаки. Критерии отбора создаются самим пользователем, что очень сильно упрощает работу без потери качества.
К очевидным положительным аспектам стоит отнести отсутствие необходимости предварительного обучения с применением обучающей выборки, при этом классы дифференциации заранее не определены, благодаря чему алгоритм самостоятельно производит группировку (выделение кластеров), не опираясь на готовые варианты. Среди негативных факторов - отсутствие точности результатов работы алгоритма (некорректность кластеризации), кроме того возможно выделение кластеров, не имеющих очевидной сущностной ценности в контексте решения конкретной прикладной задачи.
Обнаружение аномалий - техника интеллектуального анализа данных без учителя, позволяющая выделить редкие события, наблюдения, которые могут прямо или косвенно свидетельствовать о мошенничествах (говоря о банковских системах), а также результаты тестирования, которые могут свидетельствовать о возможных фальсификациях при ассессменте учащихся. Нейронные сети используются для построения зависимостей, прогнозирования, оценки качества знаний, уровня подготовленности преподавателей, программирования виртуальных помощников и персонализа-ции обучения.
На основе данных обучающей выборки нейронная сеть строит зависимость в виде функции, что позволяет определить наиболее значимые факторы, влияющие на качество образования в вузе.
Нейронные сети можно применять для оценки динамики качества образования, для прогнозирования различных характеристик студентов и преподавателей [4].
Возможностям применения искусственного интеллекта в образовании посвящена публикация Эмиля Зайнетдинова, в которой он выделяет ряд направлений его использования в образовании: при оценке эссе учащихся,
Обновление знаний обучающихся: Петр Возняк придумал обучающие приложение, которое основано на эффекте интервала. Приложение способно отслеживать материалы, изучаемые пользователем и время, когда это происходит. При помощи искусственного интеллекта приложение довольно точно вычисляет дату, когда пользователь скорее всего забудет то, что учил. И тогда умный помощник напомнит об этом. Достаточно несколько напоминаний и знания навсегда останутся памяти.
Чат-боты, основанные на искусственном интеллекте, машинное обучение и обработка человеческого языка - позволяют улучшить качество оценки. Самая известная технология, и к тому же, наиболее эффективная - чат-боты, которые способны собирать отзывы об учителях через диалоговый интерфейс. Диалог можно персонализировать в соответствии с характером учащегося.
Известно, что в Технологическом институте Джорджии студентам очень понравился новый помощник учителя - Джилл Уотсон, который достаточно быстро и точно отвечал на вопросы студентов. Но они даже не могли предположить, что с ними общается не преподаватель, а искусственный интеллект. Сам бот был оснащен системой IBM-AI.
Персонализированное обучение: этот тип обучения представляет разнообразные образовательные программы, где учебный процесс оптимизирован под характер каждого обучающегося.
При составлении таких планов учитываются предпочтения учащегося, и его интересы. Искусственный интеллект способен адаптироваться к уровню продуктивности обучения, и со временем увеличивать сложность обучения. Адаптивное обучение: при помощи этой технологии можно будет заниматься отслеживанием успехов отдельно взятых учеников и корректировать курс для каждого. Сама программа будет уведомлять преподавателей о материалах, что сложны для понимания того или иного ученика [5].
Результаты исследования и их обсуждение. Уже на первом этапе при обращении обучающегося к электронно-образовательной среде по результатам анкетирования и входного тестирования мы используем методы классификации, определяя ту или иную группу по формированию цифровой грамотности, цифровой культуры, цифровых компетенций или цифрового профессионализма. Для наиболее полного анализа обучающегося считаем полезным собирать всю информацию об образовательном процессе, начиная со школьного образования: успеваемость по всем предметам, участие в различных олимпиадах и кружках и т.д. и дополнить ею результаты анкетирования и входного тестирования. На основании результатов классификации мы можем предложить обучающемуся наиболее подходящие лично для него направления и специальности обучения.
Используя методы кластеризации, мы определяем обучающегося в тот или иной кластер с определенным темпом и контентом обучения. В ходе учебного процесса возможно перераспределение обучающихся между кластерами.
В ходе обучения и предложения решения тех или иных задач мы определяем наиболее успешные и наиболее трудные области образовательного контента и на основе выявления зависимостей предлагаем дополнительное обучение и набор заданий для «трудных участков».
При прохождении различных практик мы учитываем всю полученную информацию (а также предпочтения обучающегося) и подбираем наиболее подходящую базу практики.
Проанализировав результаты обучения по тому или иному образовательному блоку, используя методику прогнозирования, на основе анализа учебных достижений, проектируется и предлагается дальнейшая образовательная траектория. Если же обучающийся достиг уровня цифрового профессионализма с помощью интеллектуального анализа данных система осуществляет поиск возможных вакансий и их предложение обучившимся при обнаружении соответствия профилей.
Для успешного применения вышеперечисленных методов, непосредственно задействованных в процессе обучения, необходимо разработать систему, позволяющую собрать и подготовить достаточное количество входных данных, так как качество используемых данных напрямую влияет на результат применения нейросетевых технологий.
сз о со -а
сз т; о m О от
ы о со
Заключение. Таким образом, интеграция нейросетевых технологий в информационно-образовательные среды позволяет автоматизировать процесс анализа и поиска соответствий, обеспечить адаптивность сложности предлагаемого образовательного контента, что может быть достигнуто посредством формализации задач и их решения с применением соответствующих алгоритмов машинного обучения, что, в свою очередь, гарантирует более эффективную реализацию дистанционного формирования цифровых навыков.
FORMATION OF DIGITAL SKILLS IN THE ELECTRONIC INFORMATION AND EDUCATIONAL ENVIRONMENT USING NEURAL NETWORK TECHNOLOGIES
Torkunova Ju.V., Korosteleva D.M., Krivonogova A.E.
Kazan State Power Engineering University, Kazan Federal University
The aim of the study is to identify opportunities for the use of neural network technologies in the formation of digital skills in the remote format. The classification of neural network technologies is described, and a functional analysis is carried out. It was concluded that according to the results of questioning and input testing, neural network technologies automatically classify users according to levels: digital literacy, digital culture, digital competencies, or digital professionalism. Neural network clustering allows you to differentiate learning by identifying a learner in a particular cluster with a specific pace and content of learning. Neural network regression technologies reveal the most successful and most difficult areas of educational content and based on the identification of dependencies, individualized task pools are proposed. Neural network forecasting technologies allow us to design an individual trajectory of both training and further professional development, and based on the analysis of the Internet content of HR-services offers, possible vacancies are searched for and offered to those trained when profiles match.
References
