ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕЙ В ПЕДАГОГИЧЕСКОМ ОБРАЗОВАНИИ

Приведены условия, необходимые для функционирования искусственного интеллекта. Определены основные правила успешного ведения образовательной деятельности. Приведены группы математических методов интеллектуального анализа данных. Показана эффективность применения современных методов Data Mining, Big Data и Learning Analytics в сфере образования. Выделены основные типы исследовательских вопросов для анализа и улучшения образовательных технологий с использованием Learning Analytics. Предложен принцип накопительного измерения для оценки условия соответствия, определяющего пропускную способность алгоритмов нейросети и влияющего на успешность обучения. Выделено направление использования искусственного интеллекта при формировании адаптивной среды обучения, предназначенной для конкретного индивидуума с учетом его когнитивных особенностей. Показана возможность использования нейросети для анализа эмоционального состояния учащихся, а также настройки учебной среды в соответствии с этим состоянием. По аналогии с упрощенной блок-схемой обучения нейронной сети разработана модель адаптивного обучения на основе технологий искусственного интеллекта. При адаптивном обучении с учетом индивидуальных когнитивных способностей обучаемого система обрабатывает процесс получения знаний в виде анализа его достижений, ошибок, физического, эмоционального состояний и других параметров. В результате собранной и обобщенной информации дорабатывается программа, адаптированная под ученика, при этом происходит постоянное самообучение и усовершенствование самой системы. Обоснованы актуальность и перспективы дальнейшего внедрения нейронных сетей в образовательный процесс в целом, и в педагогическое образование в частности, позволяющие обеспечить индивидуальную траекторию обучения по каждому предмету для каждого ученика с учетом его возможностей и способностей.

1. Гулбоев Н.А., Дусейнов Н.Э., Ахмедов Б.А., Рахманова Г.С. Модели систем управления электрическими сетями. Молодой ученый. Технические науки. Узбекистан. 2020;22(312):105–107. EDN: KHYCYR.

2. Якубов М.С., Ахмедов Б.А., Дусейнов Н.Э., Абдураимов Ж.Г. Анализ и новые тенденции использования нейросетей и искусственного интеллекта в современной системе высшего образования. Экономика и соци-ум.2021;5–2(84):1148–1162. EDN: SHXNRV.

3. Data Mining: все, что нужно знать бизнесу и будущим специалистам про майнинг данных. – URL: https://lpgenerator.ru/blog/chto-takoe-data-mining/?ysclid=loo4vpx3qe952428767 (дата обращения 07.11.2023).

4. Arroway P., Morgan G., O’Keefe M., Yanosky R. Learning analytics in higher education. Jour-nal of Data Analysis and Information Pro-cessing 2016;3:148–155.

5. Dyckhoff A. Implications for learning analyt-ics tools. Meta-analysis of applied research questions. 2011:594–601.

6. Буторина Т.С., Ширшов Е.В., Иванченко А.А. Теория и практика использования нейронных технологий в учебном процессе вуза. Лесной журнал. 2004;2:80–85.

7. Гидлевский А.В. Теоретико-методологичес-кие основы интеллектуальной модели обра-зования. В кн.: Интеллект. Культура. Об-разование: материалы Всерос. науч. юбил. конф., посвящ. 75-летию со дня рожд. акад. РАО И.С. Ладенко. Новосибирск, 16-18 сент. 2008 г. ‒ Новосибирск, 2008:59‒60.

8. Полищук В.Р. Как исследуют вещества. Москва: Наука. Гл. ред. физ.-мат. литературы. 1989:224.

9. Коменский Я.А. Избранные педагогические сочи-нения. в 2-х т. Т.1. Москва: Педагогика. 1982:656.

10. Рябцева И.В. Идея предпрофильной подготовки и профильного обучения в истории педагогической науки. Сибирский педагогический журнал. 2003;3:217–225. EDN: NYGUFV.

11. Кузин А.Ю., Славутская Е.В., Славутский Л.А. Детерминированный нейросетевой алгоритм обработки данных психодиагностики. Вестник Чувашского университета. 2011;3:137–141. EDN: ODAMMX.

12. Хабибуллин И.Р., Азовцева О.В., Гареев А.Д. Актуальность использования нейросетей в образовательных целях. Молодой уче-ный.2023;13(460):176–178. EDN: MCQBNQ.

13. Nur Alia Syahirah Badrulhisham, Nur Nabilah Abu Mangshor. Emotion Recognition Using Convolutional Neural Network (CNN). In: Journal of Physics: Conference Series. The 1st International Conference on Engineering and Technology (ICoEngTech) 2021 15-16 March 2021. Perlis, Malaysia. 2021;1962:012040. http://doi.org/10.1088/1742-6596/1962/1/012040

14. Филатова О.Н., Булаева М.Н., Гущин А.В. Применение нейросетей в профессиональном образовании. Проблемы современного педагогического образования. 2022;2:243–245. EDN: PHOBYS.

15. Ахмедов Б.А. Задачи обеспечения надежности кластерных систем в непрерывной образователь-ной среде. Eurasian Education Science and Innovation Journal. 2021;1(22):15–19.

16. Старовойт А.Н., Черпакова Н.А. Использование нейронных сетей в общеобразовательных организациях для повышения качества обучения. Информация и образование: границы коммуникаций. 2023;15:169–170.

17. Mukhamediev R., Popova Y., Kuchin Y., Zaitseva E., Kalimoldayev A. and oth. Review of Artificial Intelligence and Machine Learn-ing Technologies: Classification, Restrictions, Opportunities and Challenges. Mathematics. 2022;10(15):2552. https://doi.org/10.3390/math10152552

18. Saenko E.S. The use of multimedia tools and technologies to increase the motivation of students in teaching foreign languages. В кн.: Диалог языков и культур в современном образовательном пространстве, Материалы IV научно-практической̆ конференции. Воронеж. 2022: 59–61.

19. Вай Ян.М. Применение нейронных сетей для контроля и прогнозирования результатов учебного процесса в вузе. В кн.: Четвертые декартовские чтения «Рационализм и универсалии культуры». Материалы международной научно-практической конференции. Москва-Зеленоград. 2017;2:213–218. EDN: NRYSSJ.

20. Мазурок Т.Л. Синергетическая модель ин-дивидуализированного управления обучением. Математические машины и системы. 2010;3:124–134.