Перейти к основному содержанию

Технологии нейронных сетей для прогнозирования успеваемости обучения студентов в электронной информационно-образовательной среде вуза

226

Токтарова В.И., Казанцева О.Г., Шашков О.В.

PDF (RUS)
PDF (ENG)

Аннотация

В статье актуализируется проблема моделирования процесса обучения в условиях электронной информационно-образовательной среды на основе применения технологии нейронных с целью прогнозирования успеваемости обучения студентов. Обоснована актуальность использования технологий нейронных сетей для повышения качества учебно-педагогического процесса. Описан процесс проектирования и разработки прогностической модели успеваемости обучения студентов в электронной информационно-образовательной среде вуза, реализованной в рамках экспериментального исследования по учебной дисциплине «Основы программирования».

Общая информация

Ключевые слова: нейронные сети , прогнозирование, успешность обучения, образовательные результаты, электронная информационно-образовательная среда , студенты, ВУЗ

Тип материала: научная статья

Для цитаты: Токтарова В.И., Казанцева О.Г., Шашков О.В. Технологии нейронных сетей для прогнозирования успеваемости обучения студентов в электронной информационно-образовательной среде вуза // Цифровая гуманитаристика и технологии в образовании (DHTE 2022): сб. статей III Всероссийской научно-практической конференции с международным участием. 17—18 ноября 2022 г. / Под ред. В.В. Рубцова, М.Г. Сороковой, Н.П. Радчиковой М.: Издательство ФГБОУ ВО МГППУ, 2022. С. 388–398.

Литература

  1. Паспорт федерального проекта «Кадры для цифровой экономики» [Электронный ресурс] // Цифровая экономика 2024. URL: https://digital.ac.gov.ru/poleznaya-informaciya/material/Паспорт-федерального-проекта-Кадры-для-цифровой-экономики.pdf (дата обращения: 04.08.2022).
  2. Позднеев Б.М., Кабак И.С., Суханова Н.В. Контроль знаний студентов на основе нейронных сетей // Открытое образование. 2011. № 6. С. 17-20.
  3. Русаков С.В., Русакова О.Л., Посохина К.А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса // Современные информационные технологии и ИТ-образование. 2018. № 4. С. 815-822.
  4. Указ Президента РФ от 09.05.2017 г. №203 «О Стратегии развития информационного общества в Российской Федерации на 2017–2030 годы» [Электронный ресурс] // Президент России. URL: http://www.kremlin.ru/acts/bank/41919 (дата обращения: 08.04.2022).
  5. Ясинский И.Ф., Семенова М.Б. Опыт прогнозирования успеваемости студентов при помощи нейросетевой технологии // Вестник ИГЭУ. 2007. №4. С. 29-31.
  6. Okubo F. et al. A neural network approach for students' performance prediction // The Seventh International Learning Analytics & Knowledge Conference. 2017. P. 598-599. doi: 10.1145/3027385.3029479
  7. Toktarova V.I. Pedagogical management of learning activities of students in the electronic educational environment of the university: a differentiated approach // International Education Studies. 2015. Т. 8. № 5. С. 205-212. doi:10.5539/ies.v8n5p205

Информация об авторах

Токтарова Вера Ивановна, доктор педагогических наук, доцент, профессор кафедры прикладной математики и информатики, советник ректората, Марийский государственный университет (ФГБОУ ВО МарГУ), Йошкар-Ола, Россия, ORCID: https://orcid.org/0000-0002-3590-3053, e-mail: toktarova@yandex.ru

Казанцева Олеся Геннадьевна, аспирант, Марийский государственный университет (ФГБОУ ВО МарГУ), Йошкар-Ола, Россия, ORCID: https://orcid.org/0000-0002-2666-1005, e-mail: olesya_popova10@mail.ru

Шашков Олег Владимирович, директор центра искусственного интеллекта, Марийский государственный университет (ФГБОУ ВО МарГУ), Йошкар-Ола, Россия, ORCID: https://orcid.org/0000-0002-0945-7096, e-mail: olegs@citymed12.ru

Метрики

Просмотров

Всего: 123
В прошлом месяце: 8
В текущем месяце: 5

Скачиваний

Всего: 226
В прошлом месяце: 9
В текущем месяце: 6