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:

1. 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].
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.
3. 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.
4. 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

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:

1. Голдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. – М.: Мир, 1989. – 432 с.
2. Джейн А.К. Кластеризация данных: 50 лет после K-means // Pattern Recognition Letters. – 2010. – Т. 31. – № 8. – С. 651–666.
3. Журавлёв Ю.И., Кусраев А.Г. Методы машинного обучения и их применение. – М.: ФИЗМАТЛИТ, 2015. – 352 с.
4. Ильин В.А. Введение в машинное обучение. – СПб.: Питер, 2020. – 224 с.
5. Колесников В.А. Искусственные нейронные сети. – СПб.: Питер, 2022. – 384 с.
6. Смирнов С.А., Тихонов А.В. Применение методов машинного обучения в образовательной аналитике // Вестник компьютерных и информационных технологий. – 2021. – № 12. – С. 45–52.
7. 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.
8. 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.
9. Li X., Zhou Q. Machine Learning in Academic Scheduling: A Review // International Journal of Educational Technology. – 2022. – Vol. 16. – № 4. – Pp. 189–202.
10. 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).
11. Marsland S. Machine Learning: An Algorithmic Perspective. – 2nd ed. – Boca Raton: CRC Press, 2015. – 457 p.
12. OECD. Education at a Glance 2022: OECD Indicators. – Paris: OECD Publishing, 2022. – 470 p.