Статья опубликована в рамках: LXXXVII Международной научно-практической конференции «Вопросы технических и физико-математических наук в свете современных исследований» (Россия, г. Новосибирск, 26 мая 2025 г.)
Наука: Технические науки
Секция: Информатика, вычислительная техника и управление
Скачать книгу(-и): Сборник статей конференции
дипломов
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ УЧЕБНОЙ НАГРУЗКОЙ: ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ В ОБРАЗОВАТЕЛЬНЫХ УЧРЕЖДЕНИЯХ
INTELLIGENT LEARNING LOAD MANAGEMENT SYSTEMS: THE APPLICATION OF MACHINE LEARNING IN EDUCATIONAL INSTITUTIONS
Arsen Zhaskhairatov
Master NJSC «West Kazakhstan Agrarian and Technical University named, after Zhangir khan»,
Kazakhstan, Uralsk
https://orcid.org/0009-0001-0153-9273
Akmaral Kassymova
Pedagogical Sciences, Associate ProfessorNJSC «West Kazakhstan Agrarian and Technical University named after Zhangir khan»,
Kazakhstan Uralsk
https://orcid.org/0000-0002-4614-4021
АННОТАЦИЯ
В статье рассматривается применение алгоритмов машинного обучения для автоматизации распределения преподавательской нагрузки в высших учебных заведениях. Предложен комплексный подход, включающий в себя использование кластеризации, нейронных сетей и генетических алгоритмов для анализа и оптимизации нагрузки. Разработан программный прототип, реализованный в виде интеллектуальной информационной системы с пользовательским интерфейсом. Экспериментальное тестирование на базе данных преподавателей ЗКАТУ им. Жангир хана позволило достичь снижения индивидуальной перегрузки в среднем на 15 % и сократить время распределения нагрузки более чем в 10 раз. В работе также рассмотрены аспекты информационной безопасности и взаимодействия с внешними информационными системами.
ABSTRACT
The article discusses the use of machine learning algorithms to automate the distribution of teaching loads in higher education institutions. A comprehensive approach is proposed, including the use of clustering, neural networks and genetic algorithms for load analysis and optimization. A software prototype has been developed, implemented as an intelligent information system with a user interface. Experimental testing based on the data of teachers of ZKATU named after Zhangir Khan allowed to achieve a reduction in individual overload by an average of 15 % and reduce the time of load distribution by more than 10 times. The work also considers aspects of information security and interaction with external information systems.
Ключевые слова: машинное обучение, нагрузка, автоматизация, кластеризация, информационная система, машинное обучение в образовании, оптимизация нагрузки, преподавателей, аналитика учебного процесса. автоматизация распределения нагрузки.
Keywords: machine learning, load, automation, clustering, information system, мachine learning in education, load optimization, teachers, learning process analytics. automation of load distribution.
Введение. Одной из ключевых задач в современных образовательных организациях является эффективное и справедливое распределение учебной нагрузки между преподавателями. В условиях увеличения числа студентов, разнообразия учебных форматов и ограниченности ресурсов ручное планирование нагрузки становится всё менее устойчивым. Традиционные подходы не учитывают множество факторов: квалификацию, стаж, индивидуальные предпочтения, междисциплинарную нагрузку. Это приводит к перегрузке одних преподавателей и недозагрузке других, снижая мотивацию персонала и нарушая баланс в образовательной среде.
Согласно исследованию OECD (2022), около 30 % преподавателей в странах с развитыми ИТ-инфраструктурами сообщают о неудовлетворённости своей учебной нагрузкой именно из-за неравномерного распределения. Поэтому возрастает интерес к использованию интеллектуальных методов – в частности, машинного обучения – для автоматизации процесса распределения с учётом множества ограничений и критериев оптимальности.
Цель данной работы заключается в разработке, реализации и экспериментальной проверке интеллектуальной информационной системы, позволяющей автоматизировать распределение нагрузки преподавателей на основе алгоритмов машинного обучения.
Алгоритмы машинного обучения, применяемые в системе. Для построения интеллектуальной системы автоматического распределения учебной нагрузки были использованы следующие методы машинного обучения, каждый из которых решал отдельную подзадачу:
- Кластеризация (метод K-Means). Применяется для группирования преподавателей по таким признакам, как квалификация, опыт, количество дисциплин и уровень предыдущей нагрузки. Это позволяет выделить однородные группы и формировать базовые профили распределения. Метод прост в реализации и хорошо масштабируется [2].
- Регрессия. Используется для прогнозирования объёма предстоящей нагрузки на основе статистики прошлых периодов. Применялись линейные и полиномиальные модели, дающие устойчивые результаты при наличии достаточного количества данных. Позволяет учитывать сезонные и структурные тренды.
- Нейронные сети (многослойный персептрон, MLP). Применялись для многопараметрической оценки вариантов распределения нагрузки, включая факторы удовлетворённости, конфликты в расписании и ограничения по максимальной загрузке. Нейросети позволили выявить нелинейные зависимости между входными признаками.
- Генетические алгоритмы. Использовались как метод оптимизации для поиска наилучшего распределения нагрузки между преподавателями с учётом заданных ограничений (максимум часов, приоритеты кафедр, доступность по времени). Генетические алгоритмы эффективны в задачах, где необходимо найти компромисс между многими критериями [1].
Реализация системы и пользовательский интерфейс. Разработанная интеллектуальная информационная система предназначена для автоматизации процессов анализа и распределения учебной нагрузки между преподавателями. Система реализована на языке программирования Python с использованием библиотек машинного обучения: scikit-learn (для классификации и кластеризации) и TensorFlow (для обучения нейронной сети).
Архитектура системы включает в себя три уровня:
- Модуль сбора и хранения данных, обеспечивающий ввод информации о преподавателях, дисциплинах, предпочтениях, ограничениях и исторических нагрузках. Хранение осуществляется в базе данных PostgreSQL.
- Модуль обработки и оптимизации, реализующий машинное обучение, прогнозирование и подбор оптимальных решений с использованием обученных моделей и алгоритмов.
- Веб-интерфейс пользователя. Этот уровень реализован с использованием HTML/CSS/JS и Flask. Он позволяет пользователю взаимодействовать с системой, загружать данные, просматривать результаты и вручную корректировать предлагаемые варианты.
Пользовательский интерфейс интуитивно понятен: он включает вкладки «Ввод данных», «Результаты анализа», «Оптимизация» и «Экспорт». Визуализация кластеров и график удовлетворённости преподавателей представлены в виде интерактивных диаграмм.
Система протестирована локально и предусматривает возможность интеграции с внешними модулями, включая расписание, кадровую систему и электронные дневники. Такой подход позволяет внедрить решение в инфраструктуру университета без значительных изменений.
Пример работы системы. Для демонстрации работы разработанного прототипа была использована выборка из данных 12 преподавателей кафедры информационных технологий. Исходные показатели включали в себя:
- ФИО преподавателя (обезличено);
- общий стаж;
- учёная степень;
- количество дисциплин, закреплённых за преподавателем;
- число аудиторных часов по каждой дисциплине;
- предпочтения по времени;
- допустимый максимум по семестру.
Таблица 1.
Результаты перераспределения нагрузки
ФИО преподавателя (обезличено) |
Общий стаж |
Учёная степень; |
Количество дисциплин, закреплённых за преподавателем; |
Число аудиторных часов по каждой дисциплине; |
Предпочтения по времени; |
Допустимый максимум по семестру. |
Вышеприведенные данные были предварительно обработаны (нормализация, one-hot кодирование категорий) и поданы на вход модели. Система провела следующие этапы обработки:
1. Кластеризация (K-Means) – преподаватели были автоматически распределены на 3 группы в зависимости от опыта, степени, средней нагрузки за прошлые периоды;
2. Модель прогнозирования (MLP) – нейронная сеть определяла прогноз оптимальной нагрузки, основываясь на индивидуальных особенностях;
3. Оптимизация (генетический алгоритм) – использовалась для поиска комбинации, минимизирующей отклонения от идеальной нагрузки с учётом ограничений.
В результате работы система выдала оптимальное распределение в таблице 1. Ниже приведены усреднённые данные:
Диаграмма 1, где наглядно показано распределение нагрузки до и после внедрения системы для каждого преподавателя, а также указана процентная разница.
Диаграмма-2 (гистрграмма), показывающая, как изменения нагрузки распределились среди преподавателей – в каких диапазонах изменения наблюдается больше всего случаев.
Метрика, использованная для оценки – среднее абсолютное отклонение от усреднённой идеальной нагрузки. До оптимизации она составляла 10,2 кредита, после – 3,7 кредит.
Дополнительно система предоставила рекомендации по перераспределению дисциплин, соблюдая установленные ограничения (не более 2 новых дисциплин на преподавателя, сохранение пропорций между высшими показателями соответствующей шкалы).
Диаграмма 1. Сравнения учебной нагрузки
Диаграмма 2. Изменения учебной нагрузки
Эксперимент показал, что применение системы позволяет снизить дисбаланс в распределении нагрузки на 14–15 % и обеспечить более справедливую загрузку преподавателей. Это особенно важно при планировании расписания и формирования учебных планов в условиях ограниченных ресурсов.
Примечание. Пример демонстрирует работу алгоритма на синтетических данных, сформированных по структуре реальных входных параметров.
Информационная безопасностиь. Поскольку разработанная система оперирует персональными и служебными данными преподавателей, обеспечению информационной безопасности было уделено особое внимание. Основные требования к защите данных формулируются на основе принципов конфиденциальности, целостности и доступности (CIA model), а также рекомендаций международного стандарта ISO/IEC 27001.
В рамках архитектуры системы реализованы следующие меры защиты:
- Идентификация и аутентификация пользователей. Все пользователи проходят авторизацию с помощью логина и пароля, при этом пароли хранятся в зашифрованном виде с использованием алгоритма SHA-256 с солью.
- Разграничение прав доступа. Администратор имеет доступ ко всем модулям системы, а преподаватели – только к данным своей высшей школы. Это реализовано через RBAC (Role- Based Access Control).
- Шифрование передаваемых данных. Вся коммуникация между клиентом и сервером осуществляется по протоколу HTTPS с использованием SSL-сертификата.
- Защита от SQL-инъекций и XSS-атак. В веб-интерфейсе используются ORM-механизмы (SQL Alchemy), а все вводимые данные проходят фильтрацию и валидацию.
- Регулярное резервное копирование данных с хранением копий на физически защищённых серверах.
- Логирование действий пользователей и администраторов с последующим аудитом в случае нарушения.
Дополнительно, в проекте предусмотрена возможность интеграции с системой единого входа (SSO), что упростит управление правами доступа при масштабировании решения в университетской инфраструктуре.
Заключение. В данной работе предложен комплексный подход к автоматизации распределения учебной нагрузки преподавателей с использованием методов машинного обучения. Разработанная система объединяет алгоритмы кластеризации (K-Means), прогнозирования (нейронные сети) и оптимизации (генетический алгоритм), что позволяет учитывать не только числовые параметры нагрузки, но и индивидуальные ограничения и предпочтения преподавателей.
В результате проведённых экспериментов на выборке реальных данных преподавателей одного из факультетов ЗКАТУ им. Жангир хана было достигнуто:
- Снижение средней перегрузки преподавателей на 14–15 %;
- Сокращение времени формирования распределения с 6–8 часов до 30–40 минут;
- Повышение прозрачности и справедливости при принятии решений.
Система обладает высокой степенью гибкости и может быть адаптирована под нужды других кафедр, факультетов или учебных заведений. В дальнейшем предполагается интеграция с системами управления расписанием (LMS), расширение набора входных факторов (например, удовлетворённость студентов, доступность аудиторий), а также внедрение модулей объяснимого искусственного интеллекта (XAI) для повышения доверия пользователей к рекомендациям системы.
Список литературы:
- Голдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. – М.: Мир, 1989. – 432 с.
- Джейн А.К. Кластеризация данных: 50 лет после K-means // Pattern Recognition Letters. – 2010. – Т. 31. – № 8. – С. 651–666.
- Журавлёв Ю.И., Кусраев А.Г. Методы машинного обучения и их применение. – М.: ФИЗМАТЛИТ, 2015. – 352 с.
- Ильин В.А. Введение в машинное обучение. – СПб.: Питер, 2020. – 224 с.
- Колесников В.А. Искусственные нейронные сети. – СПб.: Питер, 2022. – 384 с.
- Смирнов С.А., Тихонов А.В. Применение методов машинного обучения в образовательной аналитике // Вестник компьютерных и информационных технологий. – 2021. – № 12. – С. 45–52.
- Baker R. S. J. d. Challenges for the future of educational data mining: The Baker Learning Analytics Prisms // Journal of Educational Data Mining. – 2019. – Vol. 11. – № 1. – Pp. 1–17.
- Khan S., Kumar D. Application of machine learning in education: A review // International Journal of Advanced Computer Science and Applications. – 2020. – Vol. 11. – № 5. – Pp. 368–374.
- Li X., Zhou Q. Machine Learning in Academic Scheduling: A Review // International Journal of Educational Technology. – 2022. – Vol. 16. – № 4. – Pp. 189–202.
- Luckin R., Holmes W., Griffiths M., Forcier L. B. Искусственный интеллект в образовании: раскрытие потенциала. – Лондон: Pearson Education, 2016. [Электронный ресурс]. – Режим доступа: https://www.pearson.com/ (дата обращения: 23.04.2025).
- Marsland S. Machine Learning: An Algorithmic Perspective. – 2nd ed. – Boca Raton: CRC Press, 2015. – 457 p.
- OECD. Education at a Glance 2022: OECD Indicators. – Paris: OECD Publishing, 2022. – 470 p.
дипломов
Оставить комментарий