Preview

Информатика и образование

Расширенный поиск

Аналитика и нейросетевая генерация цифрового следа для построения персонализированных образовательных траекторий

https://doi.org/10.32517/0234-0453-2025-40-4-6-17

Аннотация

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. 

Об авторах

А. Г. Леонов
Федеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»; Московский государственный университет имени М. В. Ломоносова; Московский педагогический государственный университет; Государственный университет управления
Россия

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 «Цифровые
технологии в государственном и корпоративном управлении», доцент кафедры математических методов в экономике и управлении



К. А. Мащенко
Федеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»; Московский государственный университет имени М. В. Ломоносова; Государственный университет управления
Россия

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



Н. С. Мартынов
Федеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»
Россия

Мартынов Николай Сергеевич, младший научный сотрудник отдела учебной информатики



А. В. Шляхов
Федеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»
Россия

Шляхов Артем Вячеславович, младший научный сотрудник отдела учебной информатики



Т. Г. Хан
Федеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»
Россия

Хан Татьяна Григорьевна, аспирант



Список литературы

1. Moltudal S. H., Krumsvik R. J., Høydal K. L. Adaptive learning technology in primary education: Implications for professional teacher knowledge and classroom management. Frontiers in Education. 2022;7:1–18. EDN: OVOKQG. DOI: 10.3389/feduc.2022.830536.

2. ToshevaS., MartinovskaC. Adaptive e-learning system in secondary education. International Journal of Emerging Technologies in Learning (iJET). 2012;7(S1):36–41. DOI: 10.3991/ijet.v7iS1.1913.

3. Muñoz J. L., Ojeda F. M., Jurado D. L., Peña P. F., Carranza C. P., Berríos H. Q., Molina S. U., Farfan A. R., Arias-Gonzáles J. L., Vasquez-Pauca M. J. Systematic review of adaptive learning technology for learning in higher education. Eurasian Journal of Educational Research. 2022;98:221–233. DOI: 10.14689/ejer.2022.98.014.

4. Oh I.-S., Schmidt F. L., Shaffer J. A., Le H. The Graduate Management Admission Test (GMAT) is even more valid than we thought: A new development in meta-analysis and its implications for the validity of the GMAT. Academy of Management Learning & Education. 2008;7(4):567–569. DOI: 10.5465/AMLE.2008.35882196.

5. Cosyn E., UzunH. B., DobleC., MatayoshiJ. A practical perspective on knowledge space theory: ALEKS and its data. Journal of Mathematical Psychology. 2021;101:102512. EDN: FYNMIL. DOI: 10.13140/RG.2.2.20082.53448.

6. Conklin T. A. Knewton (An adaptive learning platform available at https://www.knewton.com/). Academy of Management Learning & Education. 2016;15(3):635–647. DOI: 10.5465/amle.2016.0206.

7. Carbonell J. R. AI in CAI: An artificial-intelligence approach to computer-assisted instruction. IEEE Transactions on Man-Machine Systems. 1970;11(4):190–202. DOI: 10.1109/TMMS.1970.299942.

8. Gjermeni F., Prodani F. AI and student engagement: A comparative analysis. Interdisciplinary Journal of Research and Development. 2024;11(3):194–208. DOI: 10.56345/ijrdv11n326.

9. Shahiri A. M., Husain W., Rashid N. A. A review on predicting student’s performance using data mining techniques. Procedia Computer Science. 2015;72:414–422. DOI: 10.1016/j.procs.2015.12.157.

10. Romero C., Ventura S. Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics. 2010;40(6):601–618. DOI: 10.1109/TSMCC.2010.2053532.

11. Almazroei E., Alsharif E. F. Automated learning style classification using autoencoders and Felder—Silverman model from students’ digital footprints.Machine Intelligent Research. 2024;18(02):1–23.

12. Горбатов С. В., Краснова Е. А. Цифровой след как механизм индивидуализации образовательной траектории студента (на примере курса «Цифровые технологии самообразования»). Перспективы науки и образования. 2022;58(4):193-208. EDN: SPPWXY. DOI: 10.32744/ pse.2022.4.12.

13. Зимина Д. В., Муромцев Д. И. Автоматизация разработки адаптивного электронного обучения с использованием технологии блокчейн. Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2022;(2):119–128. EDN: WVSUAE. DOI: 10.24143/2072-9502-2022-2-119-128.

14. Багдасарян Л. Ш., Ардеев А. Х., Куликова Т. А., Поддубная Н. А. Применение цифрового следа образовательных интеллектуальных технологий. Вестник СевероКавказского федерального университета. 2024;(2):150– 157. EDN: PXGKJF. DOI: 10.37493/2307-907X.2024.2.18.

15. Azcona D., Hsiao I.-H., Smeaton A. F. Detecting students-at-risk in computer programming classes with learning analytics from students’ digital footprints. User Modeling and User-Adapted Interaction. 2019;29(2):759–788. EDN: HNAIFM. DOI: 10.1007/s11257-019-09234-7.

16. Chen K.-T. Integration of paths, geometric invariants and a generalized Baker—Hausdorff formula. Annals of Mathematics. 1957;65(1):163–178. DOI: 10.2307/1969671.

17. Chen K.-T. Integration of paths — a faithful representation of paths by non-commutative formal power series. Transactions of the American Mathematical Society. 1958;89:395–407. DOI: 10.1090/S0002-9947-1958-0106258-0.

18. Youngs R., Fisher E. Learning from the past and predicting the future. The Journal of Laryngology & Otology. 2015;129(6):519. DOI: 10.1017/S0022215115001383.

19. Васильев И. А., Караваева А. С., Леонов А. Г., Мащенко К. А., Шляхов А. В. О нововведениях в цифровой образовательной платформе Мирера. Труды научно-исследовательского института системных исследований Российской академии наук. 2023;13(4):127–134. EDN: MPQKZN. DOI: 10.25682/NIISI.2023.4.0018.

20. Леонов А.Г., МартыновН.С., Мащенко К. А., Холькина А. А., Шляхов А. В. Автоматизация проверки семантической составляющей текстовых ответов обучающихся в цифровой образовательной платформе. Программные продукты и системы. 2024;37(3):440–452.EDN:CTTAJN. DOI: 10.15827/0236-235X.142.440-452.


Рецензия

Для цитирования:


Леонов А.Г., Мащенко К.А., Мартынов Н.С., Шляхов А.В., Хан Т.Г. Аналитика и нейросетевая генерация цифрового следа для построения персонализированных образовательных траекторий. Информатика и образование. 2025;40(4):6-17. https://doi.org/10.32517/0234-0453-2025-40-4-6-17

For citation:


Leonov A.G., Mashchenko K.A., Martynov N.S., Shlyakhov A.V., Khan T.G. Analytics and neural network generation of digital footprint for constructing personalised learning trajectories. Informatics and education. 2025;40(4):6-17. (In Russ.) https://doi.org/10.32517/0234-0453-2025-40-4-6-17

Просмотров: 14


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)