Алгоритмы роевого интеллекта и их применение для анализа образовательных данных

Целью работы является исследование современных подходов и перспектив применения алгоритмов роевого интеллекта для анализа образовательных данных, а также возможность применения модификаций муравьиного алгоритма для организации учебного контента в адаптивных системах проведения проектных семинаров.

Материалы и методы. Проведенное исследование включало обзор современных работ в области анализа образовательных данных на основе алгоритмов роевого интеллекта, рассмотрены подходы к решению задачи построения оптимального пути обучения (оптимальной организации учебного контента) на основе муравьиного алгоритма и его модификаций, позволяющих учитывать освоение учебного материала в процессе построения обучающего пути; применение алгоритма роя частиц и его модификации на основе алгоритма Роккио для снижения размерности данных в задаче автоматической классификации вопросов; применение муравьиного алгоритма, алгоритма колонии пчел и алгоритма летучих мышей для построения систем рекомендаций при выборе учебного контента; прогнозирования успеваемости обучающихся на основе алгоритма оптимизации роя частиц.

Было предложено использование модификации муравьиного алгоритма для организации учебного контента на проектных семинарах.

Результаты. В ходе работы были исследованы современные подходы к решению задач в области анализа образовательных данных на основе алгоритмов роевого интеллекта. Изучены различные подходы к обновлению феромонов (их испарению) при построении оптимального обучающего пути с учетом освоения учебного материала и поиска групп «схожих» обучающихся; исследованы возможности применения гибридных алгоритмов роевого интеллекта для построения систем рекомендаций.

На основании модификации муравьиного алгоритма предложен подход к организации учебного контента на проектных семинарах в ходе реализации проектной деятельности с учетом индивидуальных предпочтений и уровня знаний обучающихся.

Были разработаны классы на языке python: класс для обработки статистических данных; класс для реализации модификации муравьиного алгоритма, учитывающего текущий уровень знаний и заинтересованность обучающихся в изучении определенной темы на проектных семинарах, класс для вывода оптимальной последовательности тем проектных семинаров для данного обучающегося. Разработанные классы позволяют создать адаптивную систему, помогающую обучающимся 1-го курса с выбором тем проектных семинаров.

Заключение.По результатам проведенного исследования можно сделать вывод об эффективности применения алгоритмов роевого интеллекта для решения широкого круга задач, возникающих при организации учебного контента и анализе данных об обучающихся в системах электронного обучения и о перспективах разработки гибридных подходов на основе алгоритмов роевого интеллекта для реализации адаптивных систем обучения на основе парадигмы «обучение по требованию».

Полученные результаты могут быть применены для автоматизации организации учебного контента при проведении проектных семинаров для обучающихся первых курсов, когда важно понимать базовый уровень знаний и заинтересованность обучающихся в освоении новых технологий.

1. Romero C., Romero J. R. & Ventura S. A survey on pre-processing educational data. Educational Data Mining. Cham: Springer, 2014. P. 29-64.

2. Castro F., Vellido A., Nebot A., Mugica F. Applying Data Mining Techniques to e-Learning Problems. In: Jain L.C., Tedman R.A., Tedman D.K. (eds) Evolution of Teaching and Learning Paradigms in Intelligent Environment. Studies in Computational Intelligence. Heidelberg: Springer, 2007. Vol. 62. P. 183-221. https://doi.org/10.1007/978-3-540-71974-8_8

3. A.V. Manjarres, L.G.M. Sandoval, M.J.S. Suarez Data Mining Techniques Applied in Educational Environments: Literature Review // Digital Education Review. 2018. No.33. P. 235-266.

4. S. Lakshmi Prabha, Dr.A.R. Mohamed Shanavas Application of Educational Data mining techniques in e-Learning A Case Study // International Journal of Computer Science and Information Technologies. 2015. Vol.6 (5). P. 44404443.

5. Atta-Ur-Rahman, K. Sultan, N. Aldhafferi A. Alqahtani Educational Data Mining for Enhanced teaching and learning // Journal of Theoretical and Applied Information Technology. 2018. Vol. 96. No. 14. P. 4417-4427.

6. H. Aldowah, H. Al-Samarraie, W.M. Fauzy Educational data mining and learning analytics for 21st century higher education: A review and synthesis // Telematics and Informatics. 2019. 37. P.13-49. https://doi.org/10.1016/j.tele.2019.01.007.

7. Горлушкина Н.Н., Коцюба И.Ю., Хлопотов М.В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // Образовательные технологии и общество. 2015. Т. 18. № 1. С. 472-482.

8. Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения [Электрон. ресурс] // Интернет-журнал «НАУКОВЕДЕНИЕ». 2017. Том 9. № 4. Режим доступа: http://naukovedenie.ru/PDF/15TVN417.pdf

9. H.Radwan Ahmed, J.I. Glasgow Swarm Intelligence: Concepts, Models and Applications // Technical Report 2012. 585. 52 p. https://doi.org/10.13140/2.1.1320.2568.

10. A. Chakraborty, A. Kumar Kar Swarm Intelligence: A Review of Algorithms // Chapter in book Adaptive virtual topology control based on attractor selection. 2017. P. 475-494. https://doi.org/10.1007/978-3-319-50920-4_19.

11. R.M. Felder, B.A. Soloman Index of Learning Styles Questionnaire [Электрон. ресурс] // North Carolina State University. Режим доступа: https://www.webtools.ncsu.edu/learningstyles (Дата обращения: 21.08.2019).

12. N.C. Benabdellah, M. Gharbi Ant colont algorithm and new pheromone to adapt units sequence to learners’ profiles // International Journal of Computer Science and Applications. 2015. Vol. 12. No. 1. P. 26-39.

13. Dr.K. Yugandhar Interlacing Bloom’s Taxonomy and E-learning to Improve the Quality of English Class // International Journal on Studies in English Language and Literature. 2016. Vol. 4. Issue 1. P. 12-16.

14. Dr. N. Sivakumar, R. Praveena Determining Optimized Learning Path For an E-learning System using Ant Colony Optimization // International Journal of Computer Science & Engineering Technology. 2015. Vol. 6. No. 2. P. 61-66.

15. А.П. Карпенко Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. Учебное пособие. 2-е изд. Москва.: МГТУ им. Н.Э. Баумана, 2017. 446 с.

16. В.М. Курейчик, А.А. Кажаров Использование пчелиных алгоритмов для решения комбинаторных задач // Искусственный интеллект. 2010. № 3. C. 583-589.

17. Selim Yilmaz Ecir U. Kucuksille A New Modification Approach on Bat Algorithm for Solving Optimization Problems // Applied Soft Computing. 2015. Vol. 28. P. 259-275. https://doi.org/10.1016/j.asoc.2014.11.029.

18. Lung-Hsiang Wong, Chee-Kit Looi Adaptable Learning Pathway Generation with Ant Colony Optimization // Educational Technology & Society. 2009. 12(3). P. 309-326.

19. S. Allach, M.Ben Ahmed, A. Ghadi, M. Essaaidi Modeling e-learning based on Ant Colony algorithm // International Journal of Networks Systems. 2012. Vol. 1. No. 1. P. 37-42.

20. M. Rastegarmoghadam, K. Ziarati Improved modeling of intelligent tutoring systems using ant colony optimization // Educational Information Technology. 2016. https://doi.org/10.1007/s10639-016-9472-2.

21. A.A. Yahya Swarm Intelligence-based approach for educational data classification // Journal of King University. Computer and Information Sciences. 2019. 31. P. 35-51.

22. D.K. Saini, L.S. Prakash Nature Inspired Recommender Algorithms for Collaborative Web based Learning Environments // International Journal of Computer Applications. 2015. Vol. 11. No. 14. P. 16-22. https://doi.org/10.5120/20046-2048.

23. S.M.-H. Hasheminejad, M. Sarvmili S3PSO: Students’ Performance Prediction Based on Particle Swarm Optimization // Journal of AI and Data Mining. 2019. Vol. 7. No. 1. P. 77-96. https://doi.org/10.22044/JADM.2018.5506.1662.

24. K. Socha M. Sampels M. Manfrin Ant Algorithms for the University Course Timetabling Problem with Regard to the State-of-the-Art // Workshops on Applications of Evolutionary Computation. EvoWorkshop 2003: Applications of Evolutionary Computing. 2003. P. 334-345. https://doi.org/10.1007/3-540-36605-9_31.