Татьяна Михайловна Шамсутдинова - К. ф.-м. н, доцент кафедры цифровых технологий и прикладной информатики
Уфа
Tatyana M. Shamsutdinova - Cand. Sci. (Physics and Mathematics), Associate Professor of the Department of Digital Technologies and Applied Informatics
Ufa
Цель исследования – изучить вопросы теории и практики применения нейронных сетей в образовании, разработать концепцию нейросетевой адаптивной обучающей среды, а также реализовать нейросетевую модель одной из подсистем данной среды (на модельном примере построения адаптивной образовательной траектории).Материалы и методы. Исследование включает обзор библиографических источников по вопросам применения нейронных сетей в сфере образования. Также включает моделирование структуры нейросетевой адаптивной обучающей среды. Для программной реализации нейронной сети использовалась библиотека PyTorch.Результаты. Рассматриваются перспективы применения нейронных сетей в сфере образования, включая разнообразные задачи распознавания, диагностики, классификации, кластеризации, прогнозирования, оптимизации и пр. Строится структурная модель адаптивной обучающей NeuroSmart-среды. Данная среда включает в себя ряд подсистем для решения следующих задач: биометрической идентификации обучаемого; определения его стартового уровня; выбора адаптивной траектории обучения; определения текущего уровня сформированности компетенций; автоматизированной проверки работ студентов с применением технологии распознавания; анализа итогового результата обучения; мониторинга инцидентов информационной безопасности в электронном курсе и пр. С целью изучения возможностей и проблем применения нейросетевых моделей к задачам построения траекторий адаптивного обучения студентов, был построен модельный пример нейронной сети. Данный пример иллюстрирует возможность применения нейронной сети для выбора дальнейших узлов образовательной траектории на основе имеющихся данных о текущих параметрах обучения в электронном курсе. Для реализации нейронной сети использовалась библиотека глубокого обучения PyTorch и модули библиотеки Pandas. В качестве оптимизатора для выполнения шагов градиентного спуска использовались SGD, Adam, Rprop. Для каждого из оптимизаторов было проведено компьютерное исследование устойчивости работы нейронной сети при варьировании следующих параметров: коэффициент скорости обучения, количество нейронов в скрытом слое и количество эпох обучения.Заключение. Можно предположить, что следующим этапом эволюции применения нейросетевых технологий в сфере образования будет их интеграция в сложные многокомпонентные «умные» Smart-системы, способные в автоматическом режиме осуществлять сопровождение обучения студента на всех этапах реализации его персональной образовательной траектории. Очевидно, что практическая реализация комплексных нейросетевых систем подобного уровня является очень сложной задачей и может быть решена пока только на уровне отдельных подсистем. Можно выделить ряд проблем, связанных с компьютерным моделированием образовательной среды на основе нейросетевых моделей: недостаточно изучен вопрос об оптимальной структуре нейросети (например, количестве нейронов и слоев в сети), отсутствуют четкие критерии оптимальности адаптивной образовательной траектории. Тем не менее, надо заметить, что задача разработки новых форм и технологий персонализированного электронного обучения является очень востребованной, что делает моделирование на основе нейронных сетей особенно актуальным.
The purpose of the study is to examine the theory and practice of using neural networks in education, to develop the concept of a neural network adaptive learning environment, and to implement a neural network model of one of the subsystems of this environment (using a model example of creating an adaptive educational trajectory).Materials and methods. The study includes a review of bibliographic sources on the application of neural networks in the field of education. It also includes modeling the structure of a neural network adaptive learning environment. The PyTorch library was used to programmatically implement the neural network.Results. The prospects for the use of neural networks in the field of education are considered, including various tasks of recognition, diagnostics, classification, clustering, forecasting, optimization, etc. A structural model of an adaptive learning NeuroSmart environment is created. This environment includes a number of subsystems for solving the following tasks: biometric identification of the student; determining starting level; choosing an adaptive learning path; determining the current level of competency development; automated verification of students’ work using recognition technology; analysis of the final result of training; monitoring information security incidents in an electronic course, etc. In order to study the possibilities and problems of applying neural network models to the tasks of constructing student adaptive learning trajectories, a model example of a neural network was created. This example illustrates the possibility of using a neural network to select further nodes of the educational trajectory based on the available data on the current learning parameters in an electronic course. To implement the neural network, the PyTorch deep learning library and Pandas library modules were used. SGD, Adam, Rprop were used as an optimizer to perform gradient descent steps. For each of the optimizers, a computer study of the stability of the neural network was carried out by varying the following parameters: the learning rate coefficient, the number of neurons in the hidden layer, and the number of training epochs.Conclusion. It can be assumed that the next stage in the evolution of the use of neural network technologies in the field of education will be their integration into complex multi-component Smart systems capable of automatically supporting student learning at all stages of the implementation of their personal educational trajectory. Obviously, the practical implementation of complex neural network systems of this level is a very difficult task and can be solved so far only at the level of individual subsystems. There are a number of problems associated with computer simulation of the educational environment based on neural network models: the question of the optimal structure of the neural network (for example, the number of neurons and layers in the network) has not been studied enough, there are no clear criteria for the optimality of the adaptive educational trajectory. Nevertheless, it should be noted that the task of developing new forms and technologies of personalized e-learning is in great demand, which makes modeling based on neural networks especially relevant.
The authors declare that there are no conflicts of interest present.