vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2023-50-2-35-40vdgtu-1284Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSПрототип системы формирования индивидуальной траектории обученияThe prototype of the system for the formation of an individual learning pathhttps://orcid.org/0000-0002-5594-3554АслановТ. Г.AslanovT. G.

Асланов Тагирбек Гайдарбекович, кандидат технических наук, докторант, доцент, кафедра управления и информатики в технических системах и вычислительной техники

1367026, г. Махачкала, пр. И.Шамиля,70

Tagirbek G.Aslanov, Cand. Sci. (Eng.), Doctoral Cand., Assoc. Prof., Department of Management and Informatics in Technical Systems and Computer Engineering

70 I. Shamilya Ave., Makhachkala 367026

tabasik@gmail.comАбидоваМ. Ш.AbidovaM. Sh.

Абидова Марьям Шарапудиновна, генеральный директор

367000, ул. Г. Гаджиева, д. 1В, корп. 2

Maryam Sh. Abidova, General Director

1B, building. 2, G. Gadzhieva St., Makhachkala 367000

abidova.ms@domznaniy.schoolМаксудовМ. М.MaksudovM. M.

Максудов Максуд Магомедович, программист

367000, ул. Г. Гаджиева, д. 1В, корп. 2

Maksud M. Maksudov, programmer

1B, building. 2, G. Gadzhieva St., Makhachkala 367000

maksud.maksudov.00@mail.ruТагировХ. Ю.TagirovH. Yu.

Тагиров Халипа Юсупович, генеральный директор

367030, г. Махачкала, ул. Ирчи Казака, д. 39

Khalipa Yu. Tagirov, General Director

39 Irchi Kazaka St., Makhachkala 367030

halipa92@yandex.ruМагомедМ. М.MagomedovM. M.

Магомедов Магомед Мухтарович, заведующий кафедрой физико-математических наук

367030, г. Махачкала, ул. Ирчи Казака, д. 39

Magomed M. Magomedov, Head of the Department of Physical and Mathematical Sciences

39 Irchi Kazaka St., Makhachkala 367030

magomedov_mm@bk.ruДагестанский государственный технический университетРоссияDaghestan State Technical UniversityRussian FederationОбщество с ограниченной ответственностью «За образование»РоссияLimited Liability Company “For Education”Russian FederationАНОО «Дом знаний»РоссияANOOO “House of Knowledge”Russian Federation2023310720235023540Copyright © Асланов Т.Г., Абидова М.Ш., Максудов М.М., Тагиров Х.Ю., Магомед М.М., 20232023Асланов Т.Г., Абидова М.Ш., Максудов М.М., Тагиров Х.Ю., Магомед М.М.Aslanov T.G., Abidova M.S., Maksudov M.M., Tagirov H.Y., Magomedov M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1284

Цель. Целью исследования является выявление зависимости качества обучения в общеобразовательной организации от образовательной среды.Метод. Для определения влияния различных факторов на качество обучения была обучена искусственная нейронная сеть, для которой был предварительно проведен сбор статистических данных по участникам образовательного процесса в АНОО «Дом знаний».Результат. Реализована искусственная нейронная сеть, позволяющая выявлять зависимость отдельных элементов образовательной среды на качество обучения в общеобразовательной организации. Обучние искусственной нейронной сети показало незначительную погрешность в оценивании по десятибалльной шкале, которая при переводе в пятибалльную систему составила около 0,5 балла.Вывод. Предложенный метод позволяет качественно и количественно оценить успеваемость обучающихся при помощи искусственной нейронной сети по данным, соотносящимся с обучающимся в образовательной организации.

Objective. The purpose of the study is to identify the dependence of the quality of education in a general educational organization on the educational environment.Method. To determine the influence of various factors on the quality of education, an artificial neural network was trained, for which statistical data were previously collected on the participants in the educational process in the ANEO “Knowledge House”.Result. An artificial neural network has been implemented, which makes it possible to identify the dependence of individual elements of the educational environment on the quality of education in a general educational organization. The training of the artificial neural network showed an insignificant error in the assessment on a ten-point scale, which, when converted to a five-point system, was about 0.5 points.Conclusion. The proposed method makes it possible to qualitatively and quantitatively assess the progress of students using an artificial neural network according to data that correlates with the progress of a student in an educational organization.

нейронная сетьвосстановление информацииобразованиетраекторияэлементыанкетаоцениваниедиапазонобучениевыборкаneural networkinformation recoveryeducationtrajectoryelementsquestionnaireestimationrangelearningsampleИсследование выполнено при грантовой поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере.The research was carried out with the grant support of the Foundation for Assistance to the Development of Small Forms of Enterprises in the Scientific and Technical Sphere.ReferencesАлхастова С. Р. Гуманистическая направленность педагогического процесса как фактор успешности решения воспитательных задач / С. Р. Алхастова, Ц. А. Калманова // Шаг в науку: Сборник материалов II Международной научно-практической конференции, Грозный, 22 октября 2019 года. – Грозный: Общество с ограниченной ответственностью «АЛЕФ», 2019. – С. 410-414.Alkhastova S. R. Humanistic orientation of the pedagogical process as a factor in the success of solving educational problems / S. R. Alkhastova, Ts. A. Kalmanova // Step into science: Collection of materials of the II International scientific and practical conference, Grozny, October 22, 2019 . Grozny: Limited Liability Company “ALEF”, 2019; 410-414.(In Russ)Пылов, П. А. Data cleaning: пять шагов к чистым данным / П. А. Пылов, А. В. Протодьяконов // Инновации. Наука. Образование. – 2020. – № 23. – С. 204-207.Pylov, P. A. Data cleaning: five steps to clean data / P. A. Pylov, A. V. Protodyakonov. Innovations. The science. Education. 2020; 23: 204-207 (In Russ)Ямалтдинова, А. А. Глубокое обучение с использованием байесовской оптимизации в MATLAB / А. А. Ямалтдинова // XXIV Туполевские чтения (школа молодых ученых): Материалы Международной молодёжной научной конференции. В 6-ти томах, Казань, 07–08 ноября 2019 года. Том IV. – Казань: ИП Сагиева А.Р., 2019. – С. 520-526.Yamaltdinova A. A. Deep learning using Bayesian optimization in MATLAB. XXIV Tupolev Readings (School of Young Scientists): Proceedings of the International Youth Scientific Conference. In 6 volumes, Kazan, November 07–08, 2019. Volume IV. - Kazan: IP Sagieva A.R., 2019; 520-526. .(In Russ)Кондратьева, Е. В. Анализ эффективности прогнозирования успеваемости на основе fuzzy logic / Е. В. Кондратьева, О. Ю. Кондратьева // . – 2018. – № 3. – С. 79-82.Kondrat’eva, E. V., Kondrat’eva O. Yu. Analysis of the efficiency of predicting academic performance based on fuzzy logic. 2018; 3: 79-82. (In Russ)Горбунова В. В. Психофизиологическая адаптация первоклассников и прогнозирование их успеваемости в начальной школе / В. В. Горбунова, М. А. Булычева, О. В. Сивкова // Два сердца как одно, Пермь, 26 ноября 2015 года / Пермский государственный медицинский университет имени академика Е.А. Вагнера. – Пермь: Книжный формат, 2015. – С. 20-27Gorbunova V.V., Bulycheva M.A., Sivkova O.V. Psychophysiological adaptation of first-graders and forecasting of their performance in elementary school. Two hearts as one, Perm, November 26, 2015 / Perm State Medical University named after Academician E.A. Wagner. Perm: Book format, 2015; 20-27.(In Russ)Золотарюк А. В. Интеллектуальное прогнозирование успеваемости студентов / А. В. Золотарюк // Современная математика и концепции инновационного математического образования. – 2019.Zolotaryuk A. V. Intelligent forecasting of students’ progress. Modern mathematics and concepts of innovative mathematical education. 2019. (In Russ)Богданов Е. П. Прогнозирование успеваемости абитуриентов с использованием нейронных сетей / Е. П. Богданов, А. В. Суханов // Стратегические ориентиры инновационного развития АПК в современных экономических условиях : материалы международной научно-практической конференции: в 5 частях, Волгоград, 26–28 января 2016 года. Том 5. – Волгоград: Волгоградский государственный аграрный университет, 2016.Bogdanov E. P. Forecasting the progress of applicants using neural networks / E. P. Bogdanov, A. V. Sukhanov. Strategic guidelines for the innovative development of the agro-industrial complex in modern economic conditions: materials of the international scientific and practical conference: in 5 parts , Volgograd, January 26–28, 2016; 5. Volgograd: Volgograd State Agrarian University, 2016. (In Russ)Апатова Н. В. Прогнозирование успеваемости студентов на основе нечеткой логики / Н. В. Апатова, А. И. Гапонов, А. Н. Майорова // Современные наукоемкие технологии. – 2017. – № 4. – С. 7-11.Apatova N.V., Gaponov A.I., Mayorova A.N. Forecasting student performance based on fuzzy logic // Modern science-intensive technologies. 2017; 4:.7-11 (In Russ).P. Prasertisirikul, S. Laohakiat, R. Trakunphutthirak and S. Sukaphat, “A Predictive Model for Student Academic Performance in Online Learning System,” 2022 International Conference on Digital Government Technology and Innovation (DGTi-CON), Bangkok, Thailand, 2022, pp. 76-79, doi: 10.1109/DGTi-CON53875.2022.9849205.P. Prasertisirikul, S. Laohakiat, R. Trakunphutthirak and S. Sukaphat, “A Predictive Model for Student Academic Performance in Online Learning System,” 2022 International Conference on Digital Government Technology and Innovation (DGTi-CON), Bangkok, Thailand, 2022;76-79, doi: 10.1109/DGTi-CON53875.2022.9849205.H. Kumar, D. Ather and R. Astya, “Predicting the Improvement in Academic Performance of the Student,” 2021 10th International Conference on System Modeling & Advancement in Research Trends (SMART), MORADABAD, India, 2021, pp. 479-483, doi: 10.1109/SMART52563.2021.9676225.H. Kumar, D. Ather and R. Astya, “Predicting the Improvement in Academic Performance of the Student,” 2021 10th International Conference on System Modeling & Advancement in Research Trends (SMART), MORADABAD, India, 2021; 479-483, doi: 10.1109/SMART52563.2021.9676225.T.O. Olaleye and O. R. Vincent, “A Predictive Model for Students’ Performance and Risk Level Indicators Using Machine Learning,” 2020 International Conference in Mathematics, Computer Engineering and Computer Science (ICMCECS), Ayobo, Nigeria, 2020, pp. 1-7, doi: 10.1109/ICMCECS47690.2020.240897.T.O. Olaleye and O. R. Vincent, “A Predictive Model for Students’ Performance and Risk Level Indicators Using Machine Learning,” 2020 International Conference in Mathematics, Computer Engineering and Computer Science (ICMCECS), Ayobo, Nigeria, 2020; 1-7, doi: 10.1109/ICMCECS47690.2020.240897.

The authors declare that there are no conflicts of interest present.