ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ЗНАНИЯМИ В ПРОЦЕССАХ ОБУЧЕНИЯ

  • Э. В. Кулиев Южный Федеральный Университет
  • Э.С. Цырульникова Южный Федеральный Университет
  • Н.В. Кулиева Южный Федеральный Университет
  • В. В. Марков Южный Федеральный Университет
Ключевые слова: Интеллектуальный анализ данных, прогнозирование, алгоритмы классификации, бустинг, решающие деревья, отбор информативных признаков, результаты процесса обучения, экспертная оценка качества, учебно-методические материалы, тестовые материалы

Аннотация

Предложена интеллектуальная информационная система с целью поддержки каче-
ства образовательной деятельности (ИИС ПКОД). ИИС ПКОД включает в себя модуль
«Экспертной оценки качества» и модуль «Анализа и прогнозирования результатов процес-
са обучения». ИИС ПКОД решает задачи анализа и прогнозирования результатов процесса
обучения, используя расширенный набор признаков: данные о посещении учебных и тесто-
вых ресурсов, данные об участии в дискуссионных форумах, данные о просмотре анонсов,
данные об учебном курсе, данные об уровне подготовки обучаемого и данные экспертных
оценок качества учебно-методических и тестовых материалов. Набор информативных
признаков определен с помощью фильтровочного алгоритма и считается оптимальным
для построения модели прогноза результатов процесса обучения. Экспертная оценка учеб-
но-методического обеспечения осуществляется по критериям полноты, доступности и
актуальности. Экспертная оценка тестовых материалов осуществляется по показате-
лям: трудности, валидности и надежности теста. Экспертные оценки вносятся в специ-
альные формы. Структура форм устроена таким образом, что при заполнении форм на
третьем уровне, формы второго и первого уровня могут заполняться автоматически, что
облегчает задачу ввода данных. Для построения модели прогноза используется алгоритм
классификации: бустинг над решающими деревьями. В ходе вычислительных эксперимен-
тов применение алгоритма бустинг над решающими деревьями и расширенного набора
признаков показали хорошее качество прогноза по сравнению с аналогичными разработка-
ми. Разработанная ИИС ПКОД дает качественный прогноз результатов процесса обуче-
ния и возможность эффективно управлять качеством учебного процесса, выявлять про-
блемные ситуации и совершенствовать информационно-методические материалы. Прове-
дены экспериментальные исследования.

Литература

1. Бова В.В., Лежебоков А.А., Нужнов Е.В. Образовательные информационные системы на
основе мобильных приложений с дополненной реальностью // Известия ЮФУ. Техниче-
ские науки. – 2015. – № 6 (167). – С. 200-210.
2. Бова В.В. Представление динамических моделей сложных объектов в интеллектуальных
обучающих системах // Известия ЮФУ. Технические науки. – 2010. – № 12 (113).
– С. 219-226.
3. Кравченко Ю.А., Лежебоков А.А., Запорожец Д.Ю. Способы интеллектуального анализа
данных в сложных системах // Известия Кабардино-Балкарского научного центра РАН.
– 2012. – № 3. – С. 52-57.
4. Кравченко Ю.А. Нечеткие модели анализа уровня знаний и поддержки принятия реше-
ний в процессе обучения // Известия ЮФУ. Технические науки. – 2014. – № 7 (156).
– С. 134-142.
5. Кравченко Ю.А., Бова В.В. Нечеткое моделирование разнородных знаний в интеллекту-
альных обучающих системах // Открытое образование. – 2013. – № 4 (99). – С. 70-74.
6. Нужнов Е.В. Возможности и средства повышения эффективности адаптивной среды
компьютерного обучения // Известия ЮФУ. Технические науки. – 2011. – № 7 (120).
– С. 237-244.
7. T. Devasia, V.T.P, and V. Hegde. Prediction of student’s performance using educational data
mining // In Data Mining and Advanced Computing (SAPIENCE), International Conference
on, 2016.
8. Halde R.R., Deshpande A., and Mahajan A. Psychology assisted prediction of academic performance
using machine learning // In IEEE International Conference On Recent Trends In
Electronics Information Communication Technology, 2016.
9. Kassarnig V., Bjerre-Nielsen A., Mones E., Lehmann S., and Dreyer D. Lassen Academic performance
and behavioral patterns // Website, 2017. – https://arxiv.org/abs/1706.09245.
10. Marbouti F., Diefes-Dux H.A., and Madhavan K. Models for early prediction of at-risk students
in a course using standards-based grading // Computers & Education. – 2016. – Vol. 103.
– P. 1-15.
11. Pardo A., Han F., and Ellis R.A. Combining university student self-regulated learning indicators
and engagement with online learning events to predict academic performance // IEEE
Transactions on Learning Technologies. – 2016. – No. 10 (1). – P. 82-92,
12. Кулиев Э.В., Запорожец Д.Ю., Курейчик Вл.Вл. Комбинированный подход адаптации и
самоорганизации к обработке проблемно-ориентированных знаний // Известия ЮФУ.
Технические науки. – 2015. – № 6 (167). – С. 191-200.
13. C. Romero, M.L. Predicting students’ final performance from participation in on-line discussion
forums // Computers & Education. – 2013. – P. 458-472.
14. Бранченко Д.С., Кравченко Ю.А., Кулиев Э.В. Актуальные задачи сетевых образователь-
ных технологий для оптимизации процесса получения знаний // Информатика, вычисли-
тельная техника и инженерное образование. – 2016. – № 1 (25).
15. Wang R., Harari G., Hao P., Zhou X., and Smartgpa C.T. How smartphones can assess and
predict academic performance of college students // In UBICOMP ’15, OSAKA, JAPAN,
2015.
16. Новиков А.А., Кулиев Э.В., Самойлов А.Н. Когнитивная архитектура агентов мультиа-
гентной системы // Информатизация и связь. – 2016. – № 2. – С. 127-131.
17. Казмина И.И. Организация контроля информационно-методического обеспечения учеб-
ного процесса // Информатика, вычислительная техника и инженерное образование.
– 2013. – № 3 (13).
18. Ким В.С. Тестирование учебных достижений: монография. – Уссурийск: Изд-во УГПИ.
2007. – 214 с.
19. Козлов О.А., Довгань В.В. Информационно-методическое обеспечение специальных
дисциплин учреждений среднего профессионального образования строительного про-
филя // Информационная среда образования и науки: Электронное периодическое изда-
ние. – 2012. – № 10.
20. Ильясов Э.С. Применение модели градиентного бустинга для прогнозирования развития
диабета // Молодой ученый. – 2016. – № 27. – С. 1-5.
Опубликован
2019-11-12
Выпуск
Раздел
Раздел II. Анализ данных и управление знаниями