Прототип системы формирования индивидуальной траектории обучения

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.

1. Алхастова 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.

2. Пылов, П. А. Data cleaning: пять шагов к чистым данным / П. А. Пылов, А. В. Протодьяконов // Инновации. Наука. Образование. – 2020. – № 23. – С. 204-207.

3. 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.

4. Кондратьева, Е. В. Анализ эффективности прогнозирования успеваемости на основе fuzzy logic / Е. В. Кондратьева, О. Ю. Кондратьева // . – 2018. – № 3. – С. 79-82.

5. 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. 20-27

6. Золотарюк А. В. Интеллектуальное прогнозирование успеваемости студентов / А. В. Золотарюк // Современная математика и концепции инновационного математического образования. – 2019.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.