INTELLECTUAL KNOWLEDGE MANAGEMENT SYSTEM IN THE PROCESS OF TRAINING
Abstract
In this work, an intelligent information system of supporting the quality of educational activities
(IIS SQEA) is proposed. IIS SQEA includes a module "Expert quality assessment" and a module
"Analysis and prediction of the results of the learning process." IIS SQEA solves the problem
of analyzing and forecasting the results of the learning process using an extended set of features:
data on attendance of training and test resources, data on participation in discussion forums, data
on viewing announcements, data on a training course, data on the level of student training and
expert evaluations quality teaching materials and test materials. The set of informative features isdetermined using a filtering algorithm and is considered optimal for building a model for predicting
the results of the learning process. Expert evaluation of educational and methodological support
is carried out according to the criteria of completeness, availability and relevance. Expert
assessment of test materials is carried out on indicators: difficulties, validity and reliability of the
test. Expert assessments are made in special forms. The structure of the forms is arranged in such
a way that when filling out forms on the third level, forms of the second and first levels can be
filled in automatically, which simplifies the task of data entry. To build a forecast model, a classification
algorithm is used: boosting over decision trees. In the course of computational experiments,
the application of the algorithm for boosting over decisive trees and an extended set of
features showed a good forecast quality compared with similar developments. The developed IIS
SQEA provides a qualitative forecast of the results of the learning process and the ability to effectively
manage the quality of the educational process, identify problem situations and improve information
and teaching materials. Experimental studies have been carried out.
References
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.
