Использование технологий искусственного интеллекта для выстраивания индивидуальных образовательных траекторий обучающихся
- Авторы: Куприянов Р.Б.1, Агранат Д.Л.1, Сулейманов Р.С.1
-
Учреждения:
- Московский городской педагогический университет
- Выпуск: Том 18, № 1 (2021)
- Страницы: 27-35
- Раздел: РЕЦЕНЗИИ
- URL: https://journals.rcsi.science/2312-8631/article/view/321204
- DOI: https://doi.org/10.22363/2312-8631-2021-18-1-27-35
- ID: 321204
Цитировать
Полный текст
Аннотация
Проблема и цель. Разработаны и апробированы решения для построения индивидуальных образовательных траекторий обучающихся, ориентированные на улучшение образовательного процесса за счет формирования персонифицированного набора рекомендаций из дисциплин по выбору. Методология. Использовались методы интеллектуального анализа данных и машинного обучения, направленные на обработку как числовых, так и текстовых данных. Применялись подходы на основе коллаборативной и контентной фильтрации для формирования рекомендаций учащимся. Результаты. Апробация разработанной системы проводилась в разрезе нескольких периодов выбора элективных курсов, в которых приняло участие 4769 учащихся первого и второго годов обучения. Для каждого учащегося был автоматически сформирован набор рекомендаций, а затем выполнена оценка качества построенных рекомендаций исходя из доли учащихся, воспользовавшихся этими рекомендациями. Согласно результатам проведенной апробации, рекомендациями воспользовались 1976 учащихся, что составило 41,43 % от общего числа принявших участие. Заключение. Разработана рекомендательная система, выполняющая автоматическое ранжирование дисциплин по выбору и формирующая персонифицированный набор рекомендаций каждому учащемуся исходя из его интересов для выстраивания индивидуальных образовательных траекторий.
Об авторах
Роман Борисович Куприянов
Московский городской педагогический университет
Автор, ответственный за переписку.
Email: kupriyanovrb@mgpu.ru
заместитель начальника управления информационных технологий
Российская Федерация, 129226, Москва, 2-й Сельскохозяйственный пр-д, д. 4Дмитрий Львович Агранат
Московский городской педагогический университет
Email: agranat@mgpu.ru
доктор социологических наук, профессор, проректор по учебной работе
Российская Федерация, 129226, Москва, 2-й Сельскохозяйственный пр-д, д. 4Руслан Сулейманович Сулейманов
Московский городской педагогический университет
Email: sulejmanovrs@mgpu.ru
начальник управления информационных технологий
Российская Федерация, 129226, Москва, 2-й Сельскохозяйственный пр-д, д. 4Список литературы
- Semenov AL, Kondratev VV. Students as extended personalities of the digital age. Informatization of Education and Methods of E-Learning: Digital Technologies in Education: Proceedings of the IV International Scientific Conference (p. 560-566). Krasnoyarsk; 2020. (In Russ.)
- Halde RR, Deshpande A, Mahajan A. Psychology assisted prediction of academic performance using machine learning. IEEE International Conference on Recent Trends in Electronics Information Communication Technology. 2016:131-141.
- Xu Y, Zhang M, Gao Z. The construction of distance education personalized learning platform based on educational data mining. ATCI 2019. Advances in Intelligent Systems and Computing. International Conference on Applications and Techniques in Cyber Intelligence. 2019;1017:1076-1085. https://doi.org/10.1007/978-3-030-25128-4_134
- Jiang W, Pardos ZA, Wei Q. Goal-based course recommendation. Proceedings of the 9th International Conference on Learning Analytics & Knowledge. 2019;36-45.
- Esteban A, Zafra A, Romero C. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization. Knowledge-Based Systems. 2020;194:105385.
- Duin A, Tham J. The current state of analytics: implications for learning management system (LMS) use in writing pedagogy. Computers and Composition. 2020;55:102544.
- Jagtap A, Bodkhe B, Gaikwad B, Kalyana S. Homogenizing social networking with smart education by means of machine learning and Hadoop: a case study. International Conference on Internet of Things and Applications (IOTA). 2016:85-90. https://doi.org/10.1109/IOTA.2016.7562700
- Lin J, Pu H, Li Y, Lian J. Intelligent recommendation system for course selection in smart education. Procedia Computer Science. 2018;129:449-453.
- Nabizadeh AH, Leal J, Rafsanjani H, Shah R. Learning path personalization and recommendation methods: a survey of the state-of-the-art. Expert Systems with Applications. 2020;159:113596.
- Sun JC, Lin C, Chou C. Applying learning analytics to explore the influence of online learners' motivation on their online learning behavioral patterns. 5th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI), Kumamoto. 2016:377-380. https://doi.org/10.1109/IIAI-AAI.2016.186
- Kupriyanov RB. System for monitoring the dynamics of educational success of students based on algorithms for data mining. Informatization of Education and Methods of E-Learning: Proceedings of the II International Scientific Conference. Krasnoyarsk: SFU Publ.; 2018. p. 188-192. (In Russ.)
- Guseva AI, Kireev VS, Bochkarev PV, Kuznetsov IA, Philippov SA. Scientific and educational recommender systems. Information Technologies in Education of the XXI Century (ITE-XXI), AIP Conf. Proc. 2017;1797(1). https://doi.org/10.1063/1.4972422
- Mehta R, Rana K. An empirical analysis on SVD based recommendation techniques. Innovations in Power and Advanced Computing Technologies (i-PACT). 2017:1-7.
- Farouk M. Measuring text similarity based on structure and word embedding. Cognitive Systems Research. 2020;63:1-10.
- Shirude SB, Kolhe SR. Measuring similarity between user profile and library book. International Conference on Information Systems and Computer Networks (ISCON). Mathura; 2014. p. 50-54.
Дополнительные файлы
