Леонов Александр Георгиевич, доктор пед. наук, канд.физ.-мат. наук, доцент, зав. кафедрой дополнительного профессионального образования; ведущий научный сотрудник лаборатории вычислительных методов, кафедра вычислительной математики, отделение математики, механико-математический факультет; профессор кафедры математики и информатики в начальной школе, факультет начального образования, Институт детства; руководитель магистерской программы «Цифровыетехнологии в государственном и корпоративном управлении», доцент кафедры математических методов в экономике и управлении
Alexander G. Leonov, Doctor of Sciences (Education), Candidate of Sciences (Physics and Mathematics), Docent, Head of the Department of Continuing Professional Education; LeadingResearcher at the Laboratory of Computational Methods, The Department ofComputationalMathematics, BranchofMathematics, Faculty of Mechanics and Mathematics; Professor at the Department of Mathematics and Informatics in Elementary School, Faculty of Elementary Education, Institute of Childhood; Master’s Program Supervisor of the “Digital Technologies in Public and Corporate Governance”, Associate Professor at the Department of Mathematical Methods in Economics and Management, Institute of Information Systems
Мащенко Кирилл Алексеевич, младший научный сотрудник отдела учебной информатики; младший научный сотрудник лаборатории вычислительных методов, кафедра вычислительной математики, отделение математики, механико-математический факультет; преподаватель магистерской программы «Цифровые технологии в государственном и корпоративном управлении», кафедра математических методов в экономике и управлении, Институт информационных систем
Kirill A. Mashchenko, Junior Researcher at the Departmentof Educational Informatics; tional Research Centre “KurchatovInstitute”, Moscow, Russia; Junior Researcher at the Laboratory of Computational Methods, The Department of Computational Mathematics, Branch of Mathematics, Faculty of Mechanics and Mathematics; Master’s Program Instructor of the “Digital Technologies in Public and Corporate Governance”, The Department ofMathematical Methods in Economics and Management, Institute of Information Systems
Мартынов Николай Сергеевич, младший научный сотрудник отдела учебной информатики
Nikolay S. Martynov, Junior Researcher at the Departmentof Educational Informatics
Шляхов Артем Вячеславович, младший научный сотрудник отдела учебной информатики
Artem V. Shlyakhov, Junior Researcher at the Departmentof Educational Informatics
Хан Татьяна Григорьевна, аспирант
Tatyana G. Khan, a postgraduate student
В процессе работы преподавателя накапливается большое количество данных о прохождении курсов обучающимися. Эти данные необходимо обрабатывать для усовершенствования материалов и проверки педагогических гипотез. Однако с увеличением количества информации это становится практически нереализуемо. В статье рассматриваются подходы к анализу цифрового следа студентов и его нейросетевой генерации для построения интеллектуальных персонализированных траекторий обучения. Исследуются существующие подходы к адаптивному обучению и предлагается новая методика, основанная на анализе временных рядов и машинном обучении. Приводятся результаты применения цифровой образовательной платформы «Мирера» для сбора и обработки данных о студенческой активности, а также рассматриваются возможности прогнозирования учебных успехов студентов на основе их цифрового следа. Предлагается метод категоризации обучающихся на основе данных об их образовательных характеристиках и поведении, собранных в ходе обучения. Используется генерация синтетических данных для улучшения точности предсказательных моделей и построения долгосрочных предсказаний. Проведенный вычислительный эксперимент подтверждает эффективность предложенного подхода в сравнении с традиционными методами анализа образовательных данных. Полученные результаты могут быть использованы для автоматизации адаптивного обучения и повышения качества образовательного процесса.
In a teacher’s work, a large amount of data accumulates about students taking courses. The data must be processed to improve materials and test pedagogical hypotheses. But with an increase in the amount of information, this becomes almost impossible. The article discusses approaches to the analysis of students’ digital footprint and its neural network generation for constructing intelligent personalized learning trajectories. Existing approaches to adaptive learning and propose a new methodology based on time series analysis and machine learning are investigated. Application results of digital learning platform Mirera for collecting and processing student activity data and the ability to predict students’ academic success based on their digital footprint are presented. A method for categorizing learners based on their learning characteristics and behavior data collected during training is proposed. Synthetic data generation is used to improve the accuracy of prediction models and build long-term predictions. The conducted computational experiment confirms the effectiveness of the proposed approach compared to traditional methods of educational data analysis. The results obtained can be used to automate adaptive learning and improve the quality of the educational process.
The authors declare that there are no conflicts of interest present.