СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАСПРЕДЕЛЕНИЯ НАГРУЗКИ ПРЕПОДАВАТЕЛЕЙ

COMPARATIVE ANALYSIS OF MACHINE LEARNING METHODS FOR TEACHING LOAD DISTRIBUTION

Arsen Zhaskhayratov

master's student, West Kazakhstan Agrarian and Technical University named after Zhangir Khan,

Republic of Kazakhstan, Uralsk

Akmaral Kasymova

scientific supervisor, PhD in Pedagogical Sciences, Assoc. Prof., West Kazakhstan Agrarian and Technical University named after Zhangir Khan,

Republic of Kazakhstan, Uralsk

АННОТАЦИЯ

В данной статье представлен сравнительный анализ различных методов машинного обучения, применяемых для автоматизированного распределения преподавательской нагрузки. Рассмотрены алгоритмы многослойного перцептрона, кластеризации и генетические алгоритмы. Произведена их оценка по точности, вычислительной сложности и масштабируемости. Предложен практический сценарий применения в информационной системе университета.

ABSTRACT

This article presents a comparative analysis of various machine learning methods used for automated distribution of teaching load. Algorithms of multilayer perceptron, clustering and genetic algorithms are considered. Their accuracy, computational complexity, and scalability have been evaluated. A practical scenario of application in the university information system is proposed.

Ключевые слова: машинное обучение, лидерство, автоматизация, кластеризация, информационные системы, машинное обучение в образовании, оптимизация нагрузки, преподаватели, 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.

Методика сравнения алгоритмов

Для сравнительного анализа эффективности различных методов машинного обучения были выбраны три алгоритма: многослойный перцептрон (MLP), алгоритм кластеризации KMeans и генетический алгоритм. Каждая модель обучалась на одной и той же выборке, содержащей обезличенные данные по преподавательской нагрузке в университетской среде. Для оценки производительности использовались следующие метрики: точность предсказания нагрузки и время обучения.

Модель MLP была реализована с использованием библиотеки TensorFlow и обучена на 100 эпохах. Алгоритм KMeans применялся для группировки данных без учителя с количеством кластеров, равным числу преподавателей. Генетический алгоритм использовал стандартный подход с кроссовером, мутацией и отбором, направленным на минимизацию отклонения нагрузки от нормативной.

Сравнительные показатели точности приведены на рисунке 1. Как видно, наилучшую точность продемонстрировал MLP (92%). Алгоритм KMeans показал наименьшую точность (84%), но оказался самым быстрым. Время обучения моделей представлено на рисунке 2. Генетический алгоритм потребовал наибольшее время (20 секунд), но при этом дал приемлемую точность (88%).

Рисунок 1. Сравнение точности моделей машинного обучения

Рисунок 2. Сравнение времени обучения моделей

Заключение

Проведённый сравнительный анализ показал, что методы машинного обучения обладают высокой эффективностью при решении задачи автоматического распределения преподавательской нагрузки.

Модель многослойного перцептрона (MLP) продемонстрировала наилучшую точность прогнозирования, в то время как алгоритм KMeans обеспечил минимальное время обучения. Генетический алгоритм оказался промежуточным решением, обладая удовлетворительной точностью при более высокой вычислительной сложности.

Выбор конкретного алгоритма должен зависеть от контекста применения: если приоритет отдается точности — предпочтительнее использовать MLP, если важна скорость — KMeans. В перспективе возможно создание гибридных систем, объединяющих сильные стороны нескольких подходов.

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.

Метрика, использованная для оценки — среднее абсолютное отклонение от усреднённой идеальной нагрузки. До оптимизации она составляла 10,2 кредита, после — 3,7 кредит.

Список литературы:

1. Baker R. S. J. d. Challenges for the future of educational data mining: The Baker Learning Analytics Prisms // Journal of Educational Data Mining. – 2019. – Т. 11, № 1. – С. 1–17.
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. Голдберг Д. Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. – М.: Мир, 1989. – 432 с.
5. Ильин В. А. Введение в машинное обучение. – СПб.: Питер, 2020. – 224 с.
6. Khan S., Kumar D. Application of machine learning in education: A review // International Journal of Advanced Computer Science and Applications. – 2020. – Т. 11, № 5. – С. 368–374.
7. Колесников В. А. Искусственные нейронные сети. – СПб.: Питер, 2022. – 384 с.
8. Li X., Zhou Q. Machine Learning in Academic Scheduling: A Review // International Journal of Educational Technology. – 2022. – Т. 16, № 4. – С. 189–202.
9. Luckin R., Holmes W., Griffiths M., Forcier L. B. Искусственный интеллект в образовании: раскрытие потенциала. – Лондон: Pearson Education, 2016. – URL: https://www.pearson.com/ (дата обращения: 23.04.2025).
10. Marsland S. Machine Learning: An Algorithmic Perspective. – 2nd ed. – Boca Raton: CRC Press, 2015. – 457 p.
11. OECD. Education at a Glance 2022: OECD Indicators. – Paris: OECD Publishing, 2022. – 470 p.
12. Смирнов С. А., Тихонов А. В. Применение методов машинного обучения в образовательной аналитике // Вестник компьютерных и информационных технологий. – 2021. – № 12. – С. 45–52.