Светлана Юрьевна РжеуцкаяКандидат технических наук, доцент кафедры автоматики и вычислительной техникиВологда
Svetlana U. RzheutskayaCand. Sci. (Engineering), associate Professor in the Department of computer science and engineering
Vologda
Марина Викторовна Харина
Старший преподаватель кафедры английского языка
Вологда
Marina V. Kharina
A senior teacher in the English-language Department
Vologda
Цель исследования. Исследование, результаты которого представлены в данной статье, выполнено с целью активизации и повышения эффективности самостоятельной работы студентов в информационной среде обучения путём рационального индивидуального подбора учебно-тренировочных заданий. В ходе исследования выполнены разработка, реализация и внедрение в учебный процесс способа автоматического подбора заданий для самостоятельного выполнения, основанного на прогнозировании трудности и обучающего эффекта задания для конкретного студента с учётом сложности задания и подготовленности студента к выполнению этого задания.
Методы и материалы. В статье даётся чёткое разграничение понятий сложности, трудности и обучающего эффекта учебно-тренировочных заданий. На этой основе поставлена задача прогнозирования уровня трудности задания для студента как задача автоматической классификации пар «студент-задание», представляющих собой множество характеристик студента и задания, которые имеются в базе данных системы электронного обучения. Результатом классификации является прогноз уровня трудности задания для студента, на основе которого принимается решение об обучающем эффекте этого задания.
Задача классификации является одной из хорошо проработанных задач машинного обучения «с учителем». Из нескольких известных обучаемых моделей классификации для реализации были выбраны деревья решений, поскольку они, в отличие от нейросетей, представляют правила прогнозирования в наглядной форме, выделяя при этом значимые признаки. Этап обучения модели состоит в построении дерева решений на основе обучающей выборки, содержащей данные о прецедентах выполнения заданий студентами. В результате вычислительного эксперимента были построены деревья решений для нескольких дисциплин, в которых практикуется автоматическая проверка решений студентов, т.е. имеются данные для формирования обучающей выборки.
Результаты. В статье приводится пример дерева решений, построенного по обучающей выборке, которая сформирована на основе данных электронного практикума по дисциплине «Иностранный язык». Качество прогнозной модели определялось на экзаменационной выборке по критериям точности и обобщающей способности (степень выраженности «эффекта переобучения»). Полученные значения этих показателей позволяют признать качество приемлемым. Проанализированы первые результаты практического применения предложенного способа подбора заданий в учебном процессе. Программное обеспечение, разработанное в ходе выполнения исследования, можно рассматривать как основу рекомендательной системы, которая не может заменить живое общение студента и преподавателя, но является их «умным» помощником в процессе обучения.
Заключение. В целом, результаты исследования показывают, что возможности технологий искусственного интеллекта, в частности, машинного обучения, позволяют воплотить на практике принцип индивидуализированного электронного обучения, адаптировать процесс обучения к индивидуальным особенностям каждого студента с целью эффективного развития его профессиональных компетенций. Предлагаемый способ реализован и апробирован в информационной среде обучения студентов ИТ-направлений Вологодского государственного университета, однако, данный подход представляется достаточно универсальным, поэтому может быть распространён и на другие предметные области и формы обучения.
Purpose of research. The research, the results of which are presented in this article, was carried out in order to activate and improve the efficiency of independent work of students in the information environment of learning by rational individual selection of training tasks. In the process of the research, a method for automatically selecting tasks for self-completion was developed and implemented in the educational process, based on predicting the difficulty and learning effect of the task for a specific student, taking into account the complexity of the task and the student’s readiness to perform this task.
Methods and materials. The article provides a distinction between the concepts of complexity, difficulty, and the learning effect of training tasks. On this basis, the task of predicting the level of difficulty of the task for the student is set as a task of automatic classification of “student-task" pairs, which represent a set of characteristics of the student and the task that are available in the database of the e-learning system. The result of the classification is a forecast of the level of difficulty of the task for the student, on the basis of which a decision is made about the learning effect of this task.
The classification problem is one of the well-developed machine learning tasks “with a lecturer". Decision trees were selected from several well-known trained classification models for implementation, since they, unlike neural networks, represent prediction rules in a visual form, while highlighting significant features. The learning phase of the model consists of building a decision tree based on a training sample containing data on precedents for students to complete tasks. As a result of the computational experiment, decision trees were built for several disciplines that practice automatic verification of students’ decisions, i.e. there is data for forming a training sample.
Results. The article provides an example of a decision tree based on a training sample, which is formed on the basis of data from an electronic workshop on the discipline “Foreign language ". The quality of the predictive model was determined on the exam sample by the criteria of accuracy and generalizing ability (the degree of severity of the “retraining effect”). The obtained values of these indicators allow us to recognize the quality as acceptable. The first results ofpractical application of the proposed method of selecting tasks in the educational process are analyzed. The software developed in the process of the research can be considered as the basis of a recommendation system that can not replace live communication between the student and the lecturer, but is their smart assistant in the learning process.
Conclusion. In general, the results of the research show that the capabilities of artificial intelligence technologies, in particular, machine learning, allow us to put into practice the principle of individualized learning, to adapt the learning process to the individual characteristics of each student in order to effectively develop their professional competencies. The proposed method is implemented and tested in the information environment of training students of IT areas of Vologda State University, however, this approach is quite universal, and it can be extended to other subject areas and forms of training.
The authors declare that there are no conflicts of interest present.