Методы и алгоритмы для построения персонализированных образовательных программ
Аннотация
Авторы предлагают инновационную методику построения индивидуальных образовательных траекторий, основанную на интеллектуальных алгоритмах и гибких моделях. Эта методика анализирует "пространство знаний" и предлагает оптимальный образовательный маршрут для каждого обучаемого. Учитываются различные факторы, влияющие на образовательный процесс, такие как индивидуальные особенности обучаемого, характеристики учебного материала, доступные образовательные ресурсы. Методика не требует идеальных данных и способна учитывать неточности, характерные для реальных учебных ситуаций. Авторы предлагают использовать математический аппарат нечеткой логики и системных графов для моделирования образовательного процесса. Работа рассчитана на исследователей, преподавателей и разработчиков систем образования, предлагает новый подход к построению персонализированных образовательных программ, основанный на комбинации методов нечеткой логики и машинного обучения. Разработанная модель позволяет учитывать индивидуальные особенности обучаемых, включая уровень знаний, стиль обучения, мотивацию и цели, включая элементы интеллектуальной скрытности (интеллатентности). Статья представляет практические решения, которые могут быть использованы для создания эффективных и мотивирующих персонализированных программ обучения, что позволит повысить качество образования и улучшить результаты обучения. Предлагаемый подход к проведению занятий может быть использован в роботизированных системах поддержки обучения.
Литература
2. Khramov V.V. Information aggregation as a problem of personal self-organization. Russian Psychological Journal. 2007;4(4):9-21. (In Russ., abstract in Eng.) EDN: OHLPVL
3. Kramarov S.O., Khramov V.V., Grebenyuk E., Belyaev A. Multiparametric selection of distance learning tools using fuzzy approaches. E3S Web of Conferences. 2020;201:18024. https://doi.org/10.1051/e3sconf/202021018024
4. Khramov V.V. The concept of ensuring the efficiency of organizational and technical systems based on the bionic-intellectual approach. Bulletin of the Rostov State University of Railway Engineering. 2001;(2):138-141. (In Russ., abstract in Eng.) EDN: JWIPAF
5. Akperov I.G., Khramov V.V. The concept of a unified geoinformational space of the region: ecological aspect. E3S Web of Conferences. 2020;210:09006. https://doi.org/10.1051/e3sconf/202021009006
6. Kramarov S.O., Sakharova L.V., Khramov V.V. Soft computing in management: control of complex multifactor systems based on fuzzy analog controllers. Scientific Bulletin of the Southern Institute of Management. 2017;(3):42-51. (In Russ., abstract in Eng.) https://doi.org/10.31775/2305-3100-2017-3-42-51
7. Narinyani A.S. NON-factors: ambiguity (pre-formal study) (part I). Novosti iskusstvennogo intellekta. 2003;(5):47-55. (In Russ., abstract in Eng.) EDN: MNWEHQ
8. Akperov G.I., Grigoriev S.G., Işiklar A., Khramov V.V., Grigorieva M.A. Cognitive modeling of university management support as a human-machine system. Informatics and education. 2024;39(1):65-73. https://doi.org/10.32517/0234-0453-2024-39-1-65-73
9. Akperov G.I., Artamonova A.G., Khramov V.V., Sakharova L.V. Mathematical Models and Algorithms of an Intelligent Platform for the Implementation of an Individual Learning Trajectory. In: Kovalev S., Sukhanov A., Akperov I., Ozdemir S. (Eds.) Proceedings of the Sixth International Scientific Conference "Intelligent Information Technologies for Industry" (IITI’22). IITI 2022. Lecture Notes in Networks and Systems. Vol. 566. Cham: Springer; 2023. p. 424-436. https://doi.org/10.1007/978-3-031-19620-1_40
10. Alekperov I., Akperov G., Prus Y., Khramov V., Muradova S. Method of Student Individuality Identification for Adapting and Intelligent Training Module Based on Soft Models. In: Guda A. (Eds.) Networked Control Systems for Connected and Automated Vehicles. NN 2022. Lecture Notes in Networks and Systems. Vol. 510. Cham: Springer; 2023. p. 1881-1888. https://doi.org/10.1007/978-3-031-11051-1_193
11. Lindenbaum T.M., Akperov T.I., Aleksandrova T.S., Khramov V.V. Visualization of Information Models of Management of Competences in Training IT-bachelories. Trudy Rostovskogo Gosudarstvennogo Universiteta Putej Soobsenia = Trudy RGUPS. 2022;(3):48-53. (In Russ., abstract in Eng.) EDN: RBESUD
12. Akperov I.G., Khramov V.V. Development of Instruments of Fuzzy Identification of Extended Objects Based on the Results of Satellite Monitoring. In: Aliev R., Kacprzyk J., Pedrycz W., Jamshidi M., Sadikoglu F. (Eds.) 13th International Conference on Theory and Application of Fuzzy Systems and Soft Computing ICAFS-2018. ICAFS 2018. Advances in Intelligent Systems and Computing. Vol. 896. Cham: Springer; 2019. p. 325-332. https://doi.org/10.1007/978-3-030-04164-9_44
13. Akperov G.I., Khramov V.V., Gorbacheva A.A. Using Soft Computing Methods for the Functional Benchmarking of an Intelligent Workplace in an Educational Establishment. In: Aliev R., Kacprzyk J., Pedrycz W., Jamshidi M., Babanli M., Sadikoglu F. (Eds.) 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions ICSCCW-2019. ICSCCW 2019. Advances in Intelligent Systems and Computing. Vol. 1095. Cham: Springer; 2020. p. 54-60. https://doi.org/10.1007/978-3-030-35249-3_6
14. Akperov I.G., Khramov V.V. Management of Social and Economic Region Systems Formation of Digital Economy. Intellektual'nye Resursy Regional'nomu Razvitiyu. 2020;(2):36-47. (In Russ., abstract in Eng.) EDN: TPDSFZ
15. Alexandrov Yu.I., Pletnikov M.V. Neuronal metabolism in learning and memory: The anticipatory activity perspective. Neuroscience & Biobehavioral Reviews. 2022;137:104664. https://doi.org/10.1016/j.neubiorev.2022.104664
16. Feng N., Chen Y., Hong B., Huang Z. A Deep Learning Method for Predicting Low-Cost and High-Accuracy Designing of Anticipatory Layered Nanostructures. IEEE Transactions on Microwave Theory and Techniques. 2023;71(8):3294-3302. https://doi.org/10.1109/TMTT.2023.3276202
17. Mozo A., Vakaruk S., Sierra-García J.E., Pastor A. Anticipatory analysis of AGV trajectory in a 5G network using machine learning. Journal of Intelligent Manufacturing. 2023;35(4):1541-1569. https://doi.org/10.1007/s10845-023-02116-1
18. Enenkel M., Dall K., Huyck Ch. K., et al. Monitoring, evaluation, accountability, and learning (MEAL) in anticipatory action earth observation as a game changer. Frontiers in Climate. 2022;4:923852. https://doi.org/10.3389/fclim.2022.923852
19. Livana P.H., Hidayah N., Ramli M., Wiyono B.B. Android-based anticipatory guidance application for students in online learning. International Journal of Health Sciences. 2022;6(S4):310-319. https://doi.org/10.53730/ijhs.v6ns4.5516
20. Wang M., Kang K., Zhang Ch., Li L. Precise Position Control in Air-Bearing PMLSM System Using an Improved Anticipatory Fractional-Order Iterative Learning Control. IEEE Transactions on Industrial Electronics. 2024;71(6):6073-6083. https://doi.org/10.1109/tie.2023.3290251
21. Hu Ju. A novel deep learning driven robot path planning strategy: Q-learning approach. International Journal of Computer Applications in Technology. 2023;71(3):237-243. https://doi.org/10.1504/ijcat.2023.10057374
22. Liu H., Li X. Learning path combination recommendation based on the learning networks. Soft Computing A Fusion of Foundations, Methodologies and Applications. 2020;24(6):4427-4439. https://doi.org/10.1007/s00500-019-04205-x
23. Raj N.S., Renumol V.G. An improved adaptive learning path recommendation model driven by real-time learning analytics. Journal of Computers in Education. 2022;11:121-148. https://doi.org/10.1007/s40692-022-00250-y
24. Ovtšarenko O. Generation of a learning path in e-learning environments: literature review. New Trends in Computer Sciences. 2023;1(1):32-50. https://doi.org/10.3846/ntcs.2023.18278
25. Kobayashi M., Zushi H., Nakamura T., Motoi N. Local Path Planning: Dynamic Window Approach With Q-Learning Considering Congestion Environments for Mobile Robot. IEEE Access. 2023;11:96733-96742. https://doi.org/10.1109/access.2023.3311023
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.
