Мониторинг метапредметных результатов обучения младших школьников с использованием искусственного интеллекта

DOI: https://doi.org/10.25559/SITITO.020.202402.388-393

Аннотация

В данной статье представлена разработка модели формализации процесса мониторинга метапредметных результатов обучения младших школьников. В требованиях Федеральных государственных образовательных стандартов начального общего образования помимо требований к усвоению содержательной части курса определяют требования к результату метапредметной подготовки обучающихся, предполагающие освоение межпредметных понятий и универсальных учебных действий. Целенаправленная деятельность по формированию таких умений требует проведения систематического мониторинга, отличного от контроля предметных знаний и умений.
Для диагностики метапредметных результатов разработаны различные процедуры: оценка выполнения учащимися заданий, разработанных с целью определения уровня сформированности каждого учебного действия; в ходе выполнения предметных задач; выполнения комплексных межпредметных заданий. Обработка результатов диагностики, исследование их динамики для каждого учащегося сопряжено со значительными трудозатратами учителя. Требуется универсальное средство автоматизирующее процесс мониторинга метапредметных результатов обучения.
Разработка системы мониторинга метапредметных результатов обучения младших школьников осуществлялась на основе дидактической системы деятельностного метода Л.Г. Петерсон.
Задача оценки уровня сформированности метапредметных результатов обучения рассматривалась как задача классификации обучающихся на группы, внутри каждой из которых обучающиеся получают одинаковую оценку (уровень сформированности универсальных учебных действий). Использование нейросетевых технологий позволяет автоматизировать процесс. Для решения задачи используется сеть Кохонена.

Сведения об авторах

Irina Fedorovna Astachova, Воронежский государственный университет

профессор кафедры математического обеспечения ЭВМ факультета прикладной математики, информатики и механики, доктор технических наук, профессор

Ekaterina Igorevna Kiseleva, Воронежский государственный педагогический университет

доцент кафедры педагогики и методики дошкольного и начального образования, психолого-педагогический факультет, кандидат физико-математических наук

Литература

1. Taiwo B.O., Yewuhalashet F., Adamolekun L.B.,et al.Development of artificial neural network based mathematical models for predicting small scale quarry powder factor for efficient fragmentation coupled with uniformity index model.Artificial Intelligence Review. 2023;56:14535-14556. https://doi.org/10.1007/s10462-023-10524-1
2. Huang C., Zhou J., Chen J.,et al.A feature weighted support vector machine and artificial neural network algorithm for academic course performance prediction.Neural Computing and Applications. 2023;35:11517-11529. https://doi.org/10.1007/s00521-021-05962-3
3. Amosov O.S., Amosova S.G., Ivanov Y.S.,et al.Using the deep neural networks for normal and abnormal situation recognition in the automatic access monitoring and control system of vehicles.Neural Computing and Applications. 2021;33:3069-3083. https://doi.org/10.1007/s00521-020-05170-5
4. Ikegwu A.C., Nweke H.F., Alo U.R., Okonkwo O.R. HMCPAED: a new framework for students dropout prediction. In: Proceedings of the 2nd International Conference on ICT for National Development and Its Sustainability (ICT4NDS 2021). Ilorin, Nigeria: University of Ilorin; 2021. p. 131-140.
5. Bakhshinategh B., Zaiane O.R., ElAtia S., Ipperciel D. Educational data mining applications and tasks: A survey of the last 10 years. Education and Information Technologies. 2018;23(1):537-553. https://doi.org/10.1007/s10639-017-9616-z
6. Brimzhanova S., Atanov S., Moldamurat K.,et al.An intelligent testing system development based on the shingle algorithm for assessing humanities students' academic achievements.Education and Information Technologies. 2022;27:10785-10807. https://doi.org/10.1007/s10639-022-11057-w
7. Shamir G., Levin I. Neural Network Construction Practices in Elementary School.KI Künstliche Intelligenz. 2021;35:181-189. https://doi.org/10.1007/s13218-021-00729-3
8. Dutt S., Ahuja N.J., Kumar M. An intelligent tutoring system architecture based on fuzzy neural network (FNN) for special education of learning disabled learners.Education and Information Technologies. 2022;27:2613-2633. https://doi.org/10.1007/s10639-021-10713-x
9. Salas-Pilco S.Z., Yang, Y. Artificial intelligence applications in Latin American higher education: a systematic review.International Journal of Educational Technology in Higher Education. 2022;19:21. https://doi.org/10.1186/s41239-022-00326-w
10. Xu W., Ouyang F. A systematic review of AI role in the educational system based on a proposed conceptual framework.Education and Information Technologies. 2022;27:4195-4223. https://doi.org/10.1007/s10639-021-10774-y
11. Chassignol M., Khoroshavin A., Klimova A., Bilyatdinova A. Artificial intelligence trends in education: A narrative overview. Procedia Computer Science. 2018;136:16-24.https://doi.org/10.1016/J.PROCS.2018.08.233
12. Chatterjee S., Bhattacharjee K.K. Adoption of artificial intelligence in higher education: A quantitative analysis using structural equation modelling. Education and Information Technologies. 2020;25:3443-3463.https://doi.org/10.1007/s10639-020-10159-7
13. Drigas A., Ioannidou R.-E. Artificial Intelligence in Special Education: A Decade Review. International Journal of Engineering Education. 2021;28(6):1366-11372. Available at: http://imm.demokritos.gr/publications/AI_IJEE.pdf (accessed 17.01.2024).
14. Zhang J., Zhang C. Teaching quality monitoring and evaluation of physical education teaching in ordinary college based on edge computing optimization model. The Journal of Supercomputing. 2023;79:16559-16579. https://doi.org/10.1007/s11227-023-05324-x
15. Huang X. Aims for cultivating students key competencies based on artificial intelligence education in China. Education and Information Technologies. 2021;26:5127-5147. https://doi.org/10.1007/s10639-021-10530-2
16. Wang C., Cai J., Gao C.,et al.History, Status, and Development of AI-Based Learning Science. SN Computer Science. 2023;4:316. https://doi.org/10.1007/s42979-023-01778-1
17. Kelkar S. Between AI and learning science: the evolution and commercialization of intelligent tutoring systems. IEEE Annals of the History of Computing. 2022;44:20-30. https://doi.org/10.1109/MAHC.2022.3143816
18. Albreiki B., Habuza T., Zaki N. Extracting topological features to identify at-risk students using machine learning and graph convolutional network models. International Journal of Educational Technology in Higher Education. 2023;20:23. https://doi.org/10.1186/s41239-023-00389-3
19. Crompton H., Burke D. Artificial intelligence in higher education: the state of the field. International Journal of Educational Technology in Higher Education. 2023;20:22. https://doi.org/10.1186/s41239-023-00392-8
20. Chu H., Tu Y., Yang K. Roles and research trends of artificial intelligence in higher education: A systematic review of the top 50 most-cited articles. Australasian Journal of Educational Technology. 2022;38(3):22-42.https://doi.org/10.14742/ajet.7526
21. Mienye I.D., Swart T.G. A Comprehensive Review of Deep Learning: Architectures, Recent Advances, and Applications. Information. 2024;15(12):755. https://doi.org/10.3390/info15120755
22. de Carvalho S.D., de Melo F.R., Flôres E.L.,et al.Intelligent tutoring system using expert knowledge and Kohonen maps with automated training.Neural Computing and Applications. 2020;32:13577-13589. https://doi.org/10.1007/s00521-020-04767-0
23. Guo A., Jiang A., Lin J., et al. Data mining algorithms for bridge health monitoring: Kohonen clustering and LSTM prediction approaches. The Journal of Supercomputing. 2020;76:932-947. https://doi.org/10.1007/s11227-019-03045-8
24. Astachova I.F. The application of artificial immune system for parallel process of calculation and their comparison with existing methods. Journal of Physics: Conference Series. 2019;1202:012003. https://doi.org/10.1088/1742-6596/1202/1/012003
25. Kiseleva E.I., Astachova I.F. Intelligent Support for Medical Decision Making. In: Radionov A.A., Gasiyarov V.R. (eds.) Advances in Automation III. RusAutoCon 2021. Lecture Notes in Electrical Engineering. Vol. 857. Cham: Springer; 2022. p. 113-120. https://doi.org/10.1007/978-3-030-94202-1_11
Опубликована
2024-07-28
Как цитировать
ASTACHOVA, Irina Fedorovna; KISELEVA, Ekaterina Igorevna. Мониторинг метапредметных результатов обучения младших школьников с использованием искусственного интеллекта. Современные информационные технологии и ИТ-образование, [S.l.], v. 20, n. 2, p. 388-393, july 2024. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/1114>. Дата доступа: 12 sep. 2025 doi: https://doi.org/10.25559/SITITO.020.202402.388-393.
Форматы библиографических ссылок
Выпуск
Том 20 № 2 (2024): Современные информационные технологии и ИТ-образование
Раздел
E-learning, информационные технологии в образовании
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.

Наиболее читаемые статьи этого автора (авторов)