Конвергенция методов оптимизации и больших данных в когнитивную подготовку специалистов по ИИ
Аннотация
Введение. Экспоненциальный рост объёмов и размерности данных в цифровой экономике обусловил возникновение значительного разрыва между практическими требованиями индустрии ИИ и содержанием традиционных образовательных программ в области оптимизации. Исследование направлено на преодоление этого дисбаланса через разработку инновационного подхода к когнитивной подготовке специалистов, основанного на конвергенции методов оптимизации и технологий работы с большими данными.
Материалы и методы. В основу работы положен системный подход к проектированию учебно-методического комплекса "Методы оптимизации" для направления 09.03.02 "Информационные системы и технологии" (профиль "Системы и технологии искусственного интеллекта"). Методологический фундамент исследования составляют модель обратного дизайна Уиггинса и МакТай, определяющая стратегию проектирования образовательной траектории от целевых профессиональных компетенций; теория когнитивной нагрузки Свеллера, оптимизирующая структуру учебного материала для эффективного усвоения сложных математических концепций и четырёхуровневая модель Киркпатрика, обеспечивающая комплексную оценку образовательных результатов.
Результаты исследования. Разработан образовательный комплекс, реализующий принцип конвергенции через три интегративных модуля: теоретико-когнитивный, практико-ориентированный и инструментально-технологический. Содержательное ядро программы выстроено по принципу когнитивной преемственности — от классических детерминированных алгоритмов через современные стохастические и адаптивные методы (SGD, Adam, RMSProp) к метаэвристическим алгоритмам (генетические алгоритмы, роевой интеллект, алгоритм имитации отжига). Практический компонент курса включает реализацию алгоритмов на Python с использованием библиотек NumPy и SciPy, формируя базис для последующего освоения фреймворков машинного обучения.
Обсуждение и заключение. Внедрение разработанного образовательного комплекса способствует формированию целостного когнитивного представления о методологии оптимизации и развивает системное профессиональное мышление, необходимое для проектирования интеллектуальных систем. Валидность предлагаемого подхода подтверждается комплексной процедурой оценки, основанной на модели Киркпатрика и позволяющей отслеживать результаты на различных уровнях — от усвоения учебного материала до отсроченных профессиональных эффектов. Апробация программы запланирована на 2026-2027 учебный год.
Литература
2. Aliyeva G.B., et al. Analysis of the evolution of artificial intelligence as a key tool in digital education. Periodicals of Engineering and Natural Sciences. 2026;14(1):123-140. https://doi.org/10.21533/pen.v14.i1.1538
3. Torrent-Sellens J. Digital transition, data-and-tasks crowd-based economy, and the shared social progress: Unveiling a new political economy from a European perspective. Technology in Society. 2024;79:102739. https://doi.org/10.1016/j.techsoc.2024.102739
4. Estevez J., Garate G., Graña M. Gentle Introduction to Artificial Intelligence for High-School Students Using Scratch. IEEE Access. 2019:7:179027-179036.https://doi.org/10.1109/ACCESS.2019.2956136
5. Chen Z. Artificial Intelligence-Virtual Trainer: Innovative Didactics Aimed at Personalized Training Needs. Journal of the Knowledge Economy. 2023;14:2007-2025.https://doi.org/10.1007/s13132-022-00985-0
6. Fortuna A., et al. Artificial intelligence in personalized learning: A global systematic review of current advancements and shaping future opportunities. Social Sciences & Humanities Open. 2025;12:102114. https://doi.org/10.1016/j.ssaho.2025.102114
7. Fletscher L., Mercado J., Gómez A., Mendoza-Cardenas C. Innovating Personalized Learning in Virtual Education Through AI. Multimodal Technologies and Interaction. 2025;9(7):69. https://doi.org/10.3390/mti9070069
8. Farhood H., Nyden M., Beheshti A. et al. Artificial intelligence-based personalised learning in education: a systematic literature review. Discov Artif Intell. 2025;5:331. https://doi.org/10.1007/s44163-025-00598-x
9. Sweller J. Cognitive Load Theory. Psychology of Learning and Motivation. 2011;55:37-76. https://doi.org/10.1016/B978-0-12-387691-1.00002-8
10. Precup R.-E., et al. Experiment-Based Approach to Teach Optimization Techniques. IEEE Trans. on Educ. 2021;64:88-94. https://doi.org/10.1109/TE.2020.3008878
11. Lee G.-G., et al. Multimodality of AI for Education: Towards Artificial General Intelligence. arXiv:2312.06037, 2023. https://doi.org/10.48550/arXiv.2312.06037
12. Bottou L., Curtis F.E., Nocedal J. Optimization Methods for Large-Scale Machine Learning. SIAM Review. 2018;60(2):223-311. https://doi.org/10.1137/16M1080173
13. Ruder S. An overview of gradient descent optimization algorithms. arXiv:1609.04747, 2016. https://doi.org/10.48550/arXiv.1609.04747
14. Tu J.-C., Liu L.-X., Wu K.-Y. Study on the Learning Effectiveness of Stanford Design Thinking in Integrated Design Education. Sustainability. 2018;10(8):2649. https://doi.org/10.3390/su10082649
15. Wiggins G., McTighe J. Understanding by Design. 2nd ed. Association for Supervision and Curriculum Development (ASCD); 2005. 370 p.
16. Mezirow J. Transformative learning: Theory to practice. New Directions for Adult and Continuing Education. 1997(74):5-12. https://doi.org/10.1002/ace.7401
17. Sweller J., van Merriënboer J.J.G., Paas F. Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review. 2019;31:261-292. https://doi.org/10.1007/s10648-019-09465-5
18. Avdeeva S.M., Tarasova K.V. Evidence-Based Design Approach for Assessing Universal Competencies in Higher Education: Advantages and Features. Vysshee obrazovanie v Rossii = Higher Education in Russia. 2025;34(12):82-105. (In Russ., abstract in Eng.) https://doi.org/10.31992/0869-3617-2025-34-1-82-105
19. Lyz’ N.A., Istratova O.N., Golubeva E.V. Evidence-Based Practice in Education: Tools for Assessing Learning in the Context of Innovation. Vysshee obrazovanie v Rossii = Higher Education in Russia. 2024;33(6):55-72. (In Russ., abstract in Eng.) https://doi.org/10.31992/0869-3617-2024-33-6-55-72
20. Ermolaeva S.A., Tarov A.G. Methodological approaches to issues of improving forms and methods of evaluation at modern university. Psikhologo-pedagogicheskiy poisk = Psychological and Pedagogical Search. Academic Journal. 2025;(4):67-79. (In Russ., abstract in Eng.) https://doi.org/10.37724/RSU.2025.76.4.007
21. Asikainen H., Gijbels D. Do Students Develop Towards More Deep Approaches to Learning During Studies? A Systematic Review on the Development of Students’ Deep and Surface Approaches to Learning in Higher Education. Educational Psychology Review. 2017;29:205-234. https://doi.org/10.1007/s10648-017-9406-6
22. Zlatkin-Troitschanskaia O., Shavelson R.J. Advantages and Challenges of Performance Assessment of Student Learning in Higher Education. British Journal of Educational Psychology. 2019;89(3):413-415. https://doi.org/10.1111/ bjep.12314
23. Broadbent J., Poon W.L. Self-regulated learning strategies & academic achievement in online higher education learning environments: A systematic review. The Internet and Higher Education. 2015;27:1-13. https://doi.org/10.1016/j.iheduc.2015.04.007
24. Bowden J.L.H., Tickle L., Naumann K. The four pillars of tertiary student engagement and success: a holistic measurement approach. Studies in Higher Education. 2021;46(6):1207-1224. https://doi.org/10.1080/03075079.2019.1672647
25. Matus N., Rusu C., Cano S. Student eXperience: A Systematic Literature Review. Applied Sciences. 2021;11(20);9543. https://doi.org/10.3390/app11209543
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.
