Значение подготовки учебных программ в соответствии с уровнем знаний студентов с использованием искусственного интеллект
DOI:
https://doi.org/10.47475/2949-3390-2026-6-2-355-364Ключевые слова:
искусственный интеллект, адаптивное обучение, персонализированная учебная программа, образовательные технологии, машинное обучение, мониторинг успеваемости студентов, высшее образование, образование на основе ИИАннотация
В данной работе исследуется педагогическая и институциональная эффективность внедрения адаптивной обучающей системы на основе методов машинного обучения в условиях высшего образования. Несмотря на активную цифровизацию образовательной среды, во многих учебных заведениях продолжают использоваться статичные учебные программы, не учитывающие индивидуальные когнитивные пробелы обучающихся. В целях преодоления данного ограничения разработана и эмпирически апробирована система, интегрирующая алгоритмы классификации, регрессионного моделирования, кластеризации и обработки естественного языка для автоматической диагностики уровня знаний и формирования персонализированных образовательных траекторий. Исследование выполнено в формате квазиэкспериментального дизайна с контрольной группой (n=62) в течение шестинедельного периода. Экспериментальная группа обучалась по адаптивной программе, сформированной системой искусственного интеллекта, тогда как контрольная группа следовала традиционной методике. Статистический анализ подтвердил сопоставимость групп на начальном этапе и выявил достоверно более высокий прирост академических результатов в экспериментальной группе (p<0,001) при большом размере эффекта (Cohen’s d=0,92). Точность классификационной модели превысила 80 %, а регрессионный анализ объяснил 71 % дисперсии итоговых показателей. Дополнительно установлено снижение административной нагрузки преподавателей на 46 %. Полученные результаты подтверждают научную обоснованность и практическую применимость адаптивных систем обучения на основе искусственного интеллекта как инструмента повышения качества образования и оптимизации управленческих процессов в вузе.
Библиографические ссылки
Baker, R. S., Inventado, P. S. (2014). Educational data mining and learning analytics. In J. A. Larusson, B. White (Eds.), Learning analytics: From research to practice (pp. 61–75). New York: Springer.
Baker, R. S. J. d., Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, Vol. 1, No. 1, 3–17.
Breiman, L. (2001). Random forests. Machine Learning, Vol. 45, No. 1, 5–32. https://doi.org/10.1023/A:1010933404324.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. 2nd ed. Hillsdale, NJ: Lawrence Erlbaum Associates.
Cortés, C., Vapnik, V. (1995). Support-vector networks. Machine Learning, Vol. 20, No. 3, 273–297.
Ferguson, R. (2012). Learning analytics: Drivers, developments and challenges. International Journal of Technology Enhanced Learning, Vol. 4, No. 5–6, 304–317. https://doi.org/10.1504/IJTEL.2012.051816.
Goodfellow, I., Bengio, Y., Courville, J. (2016). Deep learning. Cambridge, MA: MIT Press.
Hastie, T., Tibshirani, R., Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. 2nd ed. New York: Springer. https://doi.org/10.1007/978-0-387-84858-7.
Holmes, W., Bialik, M., Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Boston: Center for Curriculum Redesign.
Ifenthaler, D., Yau, J. Y.-K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, Vol. 68, 1961–1990. https://doi.org/10.1007/s11423-020-09788-z.
Kulik, J. A., Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, Vol. 86, No. 1, 42–78. https://doi.org/10.3102/0034654315581420.
Pane, J. F., Steiner, E. D., Baird, M. D., Hamilton, L. S. (2015). Continued progress: Promising evidence on personalized learning. Santa Monica, CA: RAND Corporation.
Papamitsiou, Z., Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review. Educational Technology & Society, Vol. 17, No. 4, 49–64.
Piech, C., Bassen, J., Huang, J. et al. (2015). Deep knowledge tracing. Advances in Neural Information Processing Systems (NeurIPS), 505–513.
Romero, C., Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, Vol. 40, No. 6, 601–618. https://doi.org/10.1109/TSMCC.2010.2053532.
Romero, C., Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, Vol. 10, No. 3, e1355. https://doi.org/10.1002/widm.1355.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Computational and Applied Mathematics, Vol. 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7.
Shadish, W. R., Cook, T. D., Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Boston: Houghton Mifflin.
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, Vol. 57, No. 10, 1380–1400. https://doi.org/10.1177/0002764213498851.
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, Vol. 46, No. 4, 197–221. https://doi.org/10.1080/00461520.2011.611369.
Woolf, B. P. (2010). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Burlington, MA: Morgan Kaufmann.
Zawacki-Richter, O., Marín, V. I., Bond, M., Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, Vol. 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Мекан Ходжаммедов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
