ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ НА ПЛАТФОРМАХ ДИСТАНЦИОННОГО ОБУЧЕНИЯ: АНАЛИЗ, ПРОГНОЗИРОВАНИЕ И ПОДДЕРЖКА

APPLYING MACHINE LEARNING TO DISTANCE LEARNING PLATFORMS: ANALYSIS, PREDICTION, AND SUPPORT

Ilshat Khazhin

postgraduate student of the Department of Automated Information Processing and Control Systems, Surgut State University,

Russia, Surgut

Adrian Grosu

postgraduate student of the Department of Automation and Computer Systems, Surgut State University,

Russia, Surgut

АННОТАЦИЯ

В статье представлен общий обзор применения технологии машинного обучения на платформах дистанционного обучения и ее влияние на современный образовательный процесс. Особое внимание уделяется значимости технологии машинного обучения для создания персонализированных образовательных материалов, оптимизации учебного процесса, предоставления обратной связи и поддержки студентов.

ABSTRACT

The article offers a general overview of the application of machine learning technology on distance learning platforms and the impact on the modern educational process. Particular attention is paid to the importance of machine learning technology for creating personalized educational materials, optimizing the learning process, providing feedback and supporting students.

Ключевые слова: машинное обучение, дистанционное обучение, образовательные платформы, адаптация образовательного контента, анализ поведения студентов, прогнозирование успеваемости, персонализация образования.

Keywords: machine learning, distance learning, educational platforms, educational content adaptation, student behavior analysis, performance prediction, personalization of education.

С развитием технологий и повсеместного доступа к интернету, дистанционное обучение становится все более популярным. В процессе цифровой трансформации образования происходит все большее распространение смешанных форм обучения, дистанционных курсов, электронных учебных материалов и развитие соответствующих образовательных платформ. Это приводит к накоплению большого массива данных, которые могут скрывать полезную информацию о взаимодействии пользователей. Современные методы учебной аналитики позволяют обнаруживать в данных закономерности поведения обучаемых, строить индивидуальные образовательные маршруты и использовать новые знания для персонификации обучения и повышения качества процесса образования [5].

В последние годы в сфере образования произошли значительные изменения с появлением новых технологий и все более широким использованием цифровых инструментов и ресурсов. В частности, машинное обучение стало многообещающим инструментом для улучшения учебного процесса и повышения эффективности образовательных систем.

Машинное обучение обещает обеспечить индивидуальное обучение в классе, предоставляя обратную связь в реальном времени, основанную на индивидуальном поведении студентов и других факторах. Это повышает шансы на лучшее обучение. Машинное обучение также играет важную роль в оценке, устраняя предвзятость [2]. В статье выделяются четыре основных направления использования данной технологии:

1. Адаптация образовательного контента.
2. Анализ поведения студентов.
3. Оценка и обратная связь.
4. Прогнозирование успеваемости.

Адаптация образовательного контента является одной из ключевых областей применения технологии машинного обучения на платформах дистанционного обучения. Она позволяет индивидуализировать процесс обучения и предоставлять студентам материалы, наиболее соответствующие их потребностям и уровню подготовки.

С помощью алгоритмов машинного обучения образовательные платформы могут анализировать данные о предпочтениях студента, его предыдущих достижениях и целях обучения, чтобы рекомендовать наиболее подходящие курсы. Например, платформа Coursera использует алгоритмы коллаборативной фильтрации, которые анализируют исторические данные о курсах и пользователях, чтобы предлагать студентам курсы, которые чаще всего выбирают другие пользователи с похожими интересами.

Машинное обучение может быть использовано для автоматического создания образовательного контента. При помощи генеративных моделей, таких как генеративные-состязательные сети (GAN), платформы могут создавать синтетические примеры задач, упражнения и текстовые материалы, которые соответствуют определенным образовательным стандартам и целям обучения.

Машинное обучение также может использоваться для автоматической адаптации сложности заданий в зависимости от уровня подготовки студента. Анализируя данные о результате выполнения предыдущих заданий студента и его оценках, можно определить для него оптимальный уровень сложности задач. Например, платформа Khan Academy использует алгоритмы машинного обучения для адаптации математических задач в режиме реального времени, предлагая студентам задания соответствующей сложности в зависимости от их уровня обученности.

Алгоритмы машинного обучения позволяют создавать интерактивные учебные материалы, которые могут адаптироваться к определенному студенту. Например, платформа Duolingo использует алгоритмы машинного обучения для создания персонализированных упражнений по изучению иностранных языков. Система анализирует ответы студента и его ошибки, чтобы настроить уровень сложности и при необходимости предоставить дополнительные упражнения.

Анализ поведения студентов является мощным инструментом для образовательных платформ. Собирая данные о том, как студенты взаимодействуют с образовательными материалами и выполняют задания, алгоритмы машинного обучения позволяют получить ценные сведения для улучшения образовательного процесса.

Платформы дистанционного обучения могут собирать данные о том, как студенты используют платформу и взаимодействуют с учебными материалами. Современные системы обучения позволяют детально записывать каждый шаг изучения материала [3]. Это может включать информацию о времени, проведенном на платформе, просмотре видеолекций, выполнении заданий, участии в форумах обсуждения и т.д. Анализируя полученные данные, можно получить представление о степени вовлеченности студентов, идентифицировать области, где у них возникают проблемы или сложности. Например, ранее озвученная платформа Khan Academy использует машинное обучение для анализа ответов студентов на математические задания и выявления типичных ошибок, что позволяет предоставить более точную обратную связь.

Также алгоритмы машинного обучения могут анализировать различные факторы, такие как активность студента, частота посещений, выполнение заданий и взаимодействие с платформой, чтобы предсказать вероятность оттока студента и предоставить соответствующие меры для его удержания. Использование инструмента статистики учебной активности пользователей электронного курса позволяет доказательно проверить результативность его педагогического дизайна и провести необходимые корректирующие мероприятия [4].

Оценка и обратная связь являются неотъемлемой частью образовательного процесса и использование технологии машинного обучения может значительно улучшить эти процессы на платформах дистанционного обучения.

Алгоритмы машинного обучения позволяют автоматизировать процесс оценки заданий, анализируя ответы студентов и сравнивая их с предварительно установленными правильными ответами или шаблонами. Это может использоваться для оценки текстовых ответов и эссе. Платформа Turnitin использует алгоритмы машинного обучения для проверки подозрительного плагиата и предоставления оценки оригинальности текста.

Машинное обучение позволяет студентам получать адаптивную обратную связь в режиме реального времени. Алгоритмы могут анализировать результаты студентов, ошибки и их слабые стороны, чтобы предоставить конкретные советы и объяснения для улучшения их результатов. Платформа Codecademy использует алгоритмы машинного обучения для предоставления непосредственных подсказок и объяснений при выполнении задач по программированию.

Применение машинного обучения в оценке и предоставлении обратной связи студентам на платформах дистанционного обучения повышает эффективность оценивания, обеспечивает более непосредственную обратную связь и поддержку, а также сокращает временные затраты преподавателей. Однако, необходимо учитывать то, что автоматическая оценка и обратная связь не всегда способны уловить все аспекты работы студента, поэтому важно обеспечить баланс между автоматизацией и ручным оцениванием, чтобы сохранить качество образовательного процесса.

Применение технологии машинного обучения на образовательных платформах позволяет предсказывать успеваемость студентов и определять риск их отчисления. Это ценный инструмент для образовательных учреждений, так как позволяет принимать своевременные меры для поддержки студентов. Прогнозирование успеваемости остаётся одной из самых популярных и обсуждаемых на международном уровне исследовательских тем. В частности, интеллектуальный анализ данных используется для прогнозирования таких образовательных результатов, как успеваемость, удержание, успех, удовлетворённость, достижения и процент отсева [1].

Практическим примером использования прогнозирования успеваемости являются платформы Knewton и Udacity, которые используют алгоритмы машинного обучения для предсказания успеваемости студентов в режиме реального времени и предоставления им индивидуальных рекомендаций для улучшения результатов обучения.

Таким образом, резюмируя вышесказанное, можно сделать вывод о том, что применение машинного обучения на платформах дистанционного обучения предоставляет возможности для более эффективного и персонализированного образования. Использование данной технологии открывает новые горизонты для развития образовательных систем и повышения результативности студентов на образовательных платформах дистанционного обучения.

Список литературы:

1. Гафаров Ф.М., Руднева Я.Б., Шарифов У.Ю. Прогностическое моделирование в высшем образовании: определение факторов академической успеваемости // Высшее образование в России. 2023. Т. 32. № 1. С. 51-70. DOI: 10.31992/0869-3617-2023-32-1-51-70.
2. Мухамадиева К. Б. Машинное обучение в совершенствовании образовательной среды // Образование и проблемы развития общества. 2020. №4 (13).
3. Романов, А.А. Анализ данных о поведении пользователей в системах электронного обучения / А.А. Романов, Д.Г. Волчек // Онтология проектирования. - 2020. - Т. 10, №1(35). -С.100-111. - DOI: 10.18287/2223-9537-2020-10-1-100-111.
4. Стародубцев В.А., Ситникова О.В., Лобаненко О.Б. Оптимизация контента онлайн-курса по данным статистики активности пользователей // Высшее образование в России. 2019. Т. 28. № 8-9. С. 119-127.
5. Тербушева Е.А., Пиотровская К.Р. Аналитический потенциал платформы Moodle для мониторинга качества персонифицированного обучения // Общество. Коммуникация. Образование. 2021. Т. 12. № 4. С. 19-34. DOI: 10.18721/JHSS.12402.