Подколзин Михаил Михайлович, канд. сельхоз. наук,главный операционный директор, NRPro Global
г. Таллинн
Michael M. Podkolzin, Candidate of Sciences (Agriculture), Chief Operating Officer
Tallinn
Одним из способов повышения качества иэффективности высшего образования в России является персонализация обучения, поиск способов создания индивидуальной образовательной траектории для каждого студента. Традиционные методы обучения не учитывают индивидуальные особенности обучающихся, тогда как развитие цифровых технологий, в том числе технологий искусственного интеллекта, создает новые способы трансформации системы высшего образования.
В статье представлен инструмент персонализации образовательных траекторий обучающихся в российских вузах — интеллектуальная система адаптивного обучения на основе нейронных сетей. В ходе исследования, описанного в статье, определена оптимальная архитектура нейронной сети (с использованием многослойного персептрона, сверточных и рекуррентных нейронных сетей). Созданная адаптивная система была интегрирована в инфраструктуру пяти российских вузов, где с участием 1000 студентов был проведен эксперимент по ее применению. Затем оценивалось влияние этой системы на успеваемость и вовлеченность студентов, а также на эффективность преподавания. Методы оценки — статистический анализ с использованием t-критерия Стьюдента и дисперсионного анализа ANOVA, опросы студентов и преподавателей.
Итоги экспериментального применения интеллектуальной системы адаптивного обучения демонстрируют точность прогнозирования успеваемости учебного процесса до 92 %, фиксируют повышение успеваемости студентов в экспериментальной группе на 18 %, их вовлеченности в учебный процесс на 25 %, а также повышение эффективности работы преподавателей на 15 % при снижении временных затрат на 20 %.
Исследование, представленное в статье, демонстрирует значительный потенциал интеллектуальных систем адаптивного обучения для повышения качества высшего образования в России. Результаты применимы для оптимизации образовательных программ и методик преподавания. Необходимы дальнейшие исследования долгосрочного влияния представленной системы адаптивного обучения на карьерные траектории выпускников и их востребованность на рынке труда.
One of the ways to improve the quality and efficiency of higher education in Russia is to personalize learning, to find ways to create an individual educational trajectory for each student. Traditional teaching methods do not consider the individual characteristics of students, while the development of digital technologies, including artificial intelligence technologies, creates new ways to transform the higher education system.
The article presents a tool for personalizing the educational trajectories of students in Russian universities — an intelligent adaptive learning system based on neural networks. During the research described in the article, the optimal neural network architecture was determined (using multilayer perсeptron, convolutional and recurrent neural networks). The created adaptive system was integrated into the infrastructure of five Russian universities, where an experiment on its application involving 1000 students was conducted. Then, the impact of the intelligent adaptive learning system on students’ academic performance and engagement as well as on teaching efficiency was evaluated. The evaluation methods were statistical analysis using Student’s t-test and analysis of variance, student and faculty surveys.
The results of the experimental application of the intelligent adaptive learning system demonstrate an accuracy of predicting the performance of the educational process up to 92 %, an increase the academic performance of students in the experimental group by 18 %, an increase of their involvement in the learning process by 25 %, as well as an increase in the efficiency of teachers’ work by 15 % with a decrease in time costs by 20 %.
The research presented in this article demonstrates a significant potential of intelligent adaptive learning systems to improve the quality of higher education in Russia. The results can be used for optimization of educational programs and teaching methods. Further research is needed on the long-term impact of the presented adaptive learning system on the career trajectories of graduates and the labor market demand for the graduates.
The authors declare that there are no conflicts of interest present.