Ключевые слова
нейронные сети
цифровая образовательная платформа
автоматическая оценка успеваемости
предсказание отчисления студентов
адаптивное обучение
Как цитировать
Аннотация
В статье рассматривается опыт авторов по построению априорной оценки финальных результатов успеваемости студентов в цифровой образовательной платформе Мирера. Оценка строится по результатам промежуточной проверки успеваемости, полученным из промежуточных проверок на семинарах, при выполнении домашних заданий и проверочных работ. При этом учитываются как непосредственные результаты проверок, так и поведение студента при их выполнении. В предлагаемом подходе студенты условно разделены на три категории: отстающие студенты с неудовлетворительным финальным результатом, удовлетворительно успевающие студенты со средним результатом и студенты с высоким результатом. Для каждой категории студентов можно определить характер и целесообразность автоматизации корректирующих действий преподавателя для «подтягивания» отстающих. Оценка строится с использованием искусственных нейронных сетей. Полученная априорная оценка может быть использована для раннего обнаружения студентов, которые могут быть отчислены за неуспеваемость и которым необходима помощь преподавателя, а также для построения адаптивных треков обучения средне и хорошо успевающих студентов. Предлагаемый подход может быть применен только при условии цифровой трансформации учебного процесса.
Литература
Borrella I., Caballero-Caballero S., Ponce-Cueto E. Predict and Intervene: Addressing the Dropout Problem in a MOOC-based Program. Proceedings of the Sixth (2019) ACM Conference on Learning @ Scale (L@S '19). Association for Computing Machinery, New York, NY, USA. 2019. Article 24, 1–9. DOI: https://doi.org/10.1145/3330430.3333634.
Jing Chen, Jun Feng, Xia Sun, Nannan Wu, Zhengzheng Yang, Sushing Chen. MOOC Dropout Prediction Using a Hybrid Algorithm Based on Decision Tree and Extreme Learning Machine. Mathematical Problems in Engineering. Vol. 2019, Article ID 8404653, 11 pages, 2019. DOI: https://doi.org/10.1155/2019/8404653.
Oancea B., Dragoescu R., Ciucu S. Predicting Students’ Results in Higher Education Using Neural Networks. International Conference on Applied Information and Communication Technologies (AICT2013), 25.-26. April, 2013, Jelgava, Latvia.
Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training By Reducing Internal Covariate Shift. 2015. ArXiv abs/1502.03167.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. 2015. ArXiv abs/1512.03385.
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin. Attention Is All You Need. 2017. ArXiv abs/1706.03762.
Леонов А. Г., Дьяченко М. С., Бесшапошников Н. О., Орловский А. Э., Матюшин М. А. Использование элементов искусственного интеллекта в современных цифровых образовательных платформах. Информатизация образования и методика электронного образования: материалы IV Международной научной конференции. В 2 ч. Ч. 2. 2020:36-41. ISBN 978-5-7638-4399-6.
Леонов А. Г., Дьяченко М. С., Мащенко К. А., Бесшапошников Н. О. Проблемы применения чат-ботов в естественно-научных курсах. Информатизация образования и методика электронного образования: материалы IV Международной научной конференции. В 2 ч. Ч. 1. 2020:393-396. ISBN 978-5-7638-4398-9.
Brusilovsky P., Peylo C. Adaptive and Intelligent Web-Based Educational Systems. International Journal of Artificial Intelligence in Education. 2003;13:159–172.
Alkhatlan A., Kalita J. Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments. International Journal of Computer Applications. 2019;181(43). DOI: 10.5120/ijca2019918451/