Проблемы и перспективы применения нейронных сетей в сфере образования

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.

1. Козлова О.А., Протасова А.А. Использование нейронных сетей в дистанционных образовательных технологиях для идентификации обучающихся // Открытое образование. 2021. Т. 25. № 3. С. 26–35. DOI: 10.21686/1818-4243-2021-3-26-35.

2. Микрюков А.А., Бабаш А.В., Сизов В.А. Классификация событий в системах обеспечения информационной безопасности на основе нейросетевых технологий // Открытое образование. 2019. Т. 23. № 1. С. 57–63. DOI: 10.21686/1818-4243-2019-1-57-63.

3. Мицель А.А., Погуда А.А., Семенов К.А., Утешева А.Е. Методы тестирования знаний на основе применения аппарата нейронной сети // Открытое образование. 2013. № 2(97). С. 34–41. DOI: 10.21686/1818-4243-2013-2(97)-34-41.

4. Репкина Н.Г. Прогнозирование успешности образования студентов технических направлений подготовки с использованием искусственных нейронных сетей // Альманах мировой науки. 2016. № 5-1(8). С. 92–95.

5. Бесшапошников Н.О., Дьяченко М.С., Леонов А.Г., Матюшин М.А., Орловский А.E. Использование машинного обучения и нейронных сетей для автоматической верификации заданий в текстовом и графическом представлении и помощи преподавателю // Успехи кибернетики. 2020. Т. 1. № 2. С. 39–45. DOI: 10.51790/2712-9942-2020-1-2-4.

6. Касаткина Т.И. Математическое моделирование образовательного портала вуза на основе технологии нейронных сетей // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4. DOI: 10.26102/2310-6018/2021.35.4.029.

7. Зарубина Н.К., Овчинкин О.В., Пыхтин А.И. Разведочный анализ результатов приема в вуз с применением нейронной сети Кохонена для планирования контингента студентов // Информационно-измерительные и управляющие системы. 2016. Т. 14. № 6. С. 65–69.

8. Босов А.В. Применение самоорганизующихся нейронных сетей к процессу формирования индивидуальной траектории обучения // Информатика и ее применения. 2022. Т. 16. № 3. С. 7–15. DOI: 10.14357/19922264220302.

9. Okewu E., Adewole P., Misra S., Maskeliunas R., Damasevicius R. Artificial Neural Networks for Educational Data Mining in Higher Education: A Systematic Literature Review // Applied Artificial Intelligence. 2021. Т. 35. № 13. С. 983– 1021. DOI: 10.1080/08839514.2021.1922847.

10. Fiore U. Neural Networks in the Educational Sector: Challenges and Opportunities // Balkan Region Conference on Engineering and Business Education. 2019. № 1. С. 332–337. DOI: 10.2478/cplbu-2020-0039.

11. Чумакова Е.В., Корнеев Д.Г., Гаспариан М.С. Разработка метода адаптивного тестирования на основе нейротехнологий // Открытое образование. 2022. Т. 26. № 2. С. 4–13. DOI: 10.21686/1818-4243-2022-2-4-13.

12. Бакунова О.М., Калитеня И.Л., Бакунов А.М., Палуйко А.Ф., Антонов Е.Д., Гречко И.С. Использование нейронных сетей в образовании // Web of Scholar. 2018. № 1(19). С. 8–10.

13. Микрюков А.А., Мазуров М.Е., Щукина Н.А., Рыленков Д.А. Актуальные вопросы формирования профессиональных компетенций в области сквозных цифровых технологий (нейротехнологии) // Инновации и инвестиции. 2020. № 11. С. 120–125.

14. Казаченок В.В. Применение нейронных сетей в обучении // Информатика и образование. 2020. № 2(311). С. 41–47. DOI: 10.32517/0234-0453-2020-35-2-41-47.

15. Luo Q., Yang J. The Artificial Intelligence and Neural Network in Teaching // Computational intelligence and neuroscience. 2022. DOI: 10.1155/2022/1778562.