Авторы
- Аршинский Вадим Леонидович кандидат технических наук
- Провоторов Вадим Александрович
Аннотация
В статье излагается применение искусственных нейронных сетей и машинного обучения для прогнозирования успеваемости студентов в высших учебных
заведениях на примере Иркутского национального исследовательского технического университета. Рассматриваются текущие методы оценки успеваемости, выявляются их недостатки и предлагаются решения для автоматизации и улучшения анализа данных. Работа подчеркивает значимость внедрения этих технологий для повышения эффективности образовательного процесса, позволяет сделать точные прогнозы и вовремя выявлять студентов, нуждающихся в поддержке.
Как ссылаться
Аршинский, В. Л. & Провоторов, В. А. (2024). ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ УСПЕВАЕМОСТИ СТУДЕНТОВ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ , № 4 (70), 61. https://doi.org/10.24412/2072-9014-2024-470-61-72
Список литературы
1.
1. Дробахина А. Н. Информационные технологии в образовании: искусственный интеллект [Электронный ресурс] / А. Н. Дробахина // Проблемы современного педагогического образования. 2021. № 70-1. URL: https://cyberleninka.ru/article/n/informatsionnye-tehnologii-v-obrazovanii-iskusstvennyy-intellekt (дата обращения: 12.07.2024).
2.
2. Дауб И. С. Обзор методов прогнозирования временных рядов с помощью искусственных нейронных сетей [Электронный ресурс] / И. С. Дауб // StudNet. 2020. № 10. URL: https://cyberleninka.ru/article/n/obzor-metodov-prognozirovaniya-vremennyhryadov-s-pomoschyu-iskusstvennyh-neyronnyh-setey (дата обращения: 12.07.2024).
3.
3. Применение нейронных сетей в образовании / А. С. Беликов [и др.] // Информационные системы и технологии: материалы 54-й научной конференции аспирантов, магистрантов и студентов. Минск: Белорусский государственный университет информатики и радиоэлектроники, 2018. С. 23–24.
4.
4. Ждан А. Б. Неуспеваемость в вузе: проблема и пути решения / А. Б. Ждан // Образование и культурный капитал: сборник научных статей Всероссийской научно-практической конференции (Уссурийск, 17 декабря 2015 г.). Владивосток: Дальневосточный федеральный университет, 2015. С. 16–20.
5.
5. Редванов А. С. Система мониторинга успеваемости студентов педагогичеcкого вуза в контексте онлайн-образования [Электронный ресурс] / А. С. Редванов // МНКО. 2023. № 5 (102). URL: https://cyberleninka.ru/article/n/sistema-monitoringa-uspevaemostistudentov-pedagogicheckogo-vuza-v-kontekste-onlayn-obrazovaniya (дата обращения: 23.07.2024).
6.
6. Свирина Е. А. Обзор методов анализа успеваемости студентов вуза / Е. А. Свирина, А. Н. Петрова // Молодежь и наука: актуальные проблемы фундаментальных и прикладных исследований: материалы III Всероссийской национальной научной конференции студентов, аспирантов и молодых ученых: в 3 ч. (Комсомольск-на-Амуре, 06–10 апреля 2020 г). Ч. 2. Комсомольск-на-Амуре: Комсомольский-на-Амуре государственный университет, 2020. С. 379–382.
7.
7. Попова Н. А. Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза / Н. А. Попова, Е. С. Егорова // Известия КБНЦ РАН. 2023. № 2 (112). URL: https://cyberleninka.ru/article/n/intellektualnyy-analiz-obrazovatelnyhdannyh-dlya-prognoza-uspevaemosti-studentov-vuza (дата обращения: 23.07.2024).
8.
8. Андронов Ю. В. Оценка прогнозирующих способностей многослойного персептрона с различными функциями активации и алгоритмами обучения / Ю. В. Андронов, В. Н. Мельников, А. В. Стрекалов // Геология, геофизика и разработка нефтяных и газовых месторождений. 2015. № 9. С. 18–20.