Моделирование систем оценивания знаний в рамках гибридной интеллектуальной обучающей среды
Аннотация
Рассмотрен подход к интеллектуальному оцениванию знаний учащихся в рамках гибридной интеллектуальной обучающей среды (ГИОС) на основе построения и обучения нейронных сетей. Разработаны структурные схемы системы для оценивания знаний по математике для школьников различных классов. Рассмотрены модели педагогического процесса "учитель" – "модуль ГИОС" – "ученик", "учитель" – "ученик", а также нейросетевая агентная модель процесса обучения. Обоснован выбор типов нейросетей и типов машинного обучения с учетом целеполагания. Охарактеризованы нейросетевые алгоритмы и тренировочные критерии нейросетей. Полученные результаты направлены на создание методик, обеспечивающих в информационно-образовательной интеллектуальной среде процессы оперативного обучения, контроля и оценки знаний, компетенций и процедур, уровня сформированности предметных и профессиональных компетенций обучающихся.
Литература
2.Basalin P.D., Kulikov D.A., Maskina Yu.V. Adapting a Hybrid Intelligent Reinforcement Learning Environment. Sovremennye informacionnye tehnologii i IT-obrazovanie = Modern Information Technologies and IT-Education. 2020; 16(3):788-798. (In Russ., abstract in Eng.) DOI: https://doi.org/10.25559/SITITO.16.202003.788-798
3.Sleptsov A.F., Sleptsova M.V. Intelligent educational environment: theoretical approaches and possible implementation. Sovremennye issledovania socialnyh problem = Modern Studies of Social Issues. 2016; (5):70-88. Available at: https://elibrary.ru/item.asp?id=26718684 (accessed 17.01.2021). (In Russ., abstract in Eng.)
4.Vasilyev A.N., Tarkhov D.A. Principy i tehnika nejrosetevogo modelirovanija [Principles and techniques of neural network modeling]. Nestor-History, Moscow; 2014. (In Russ.)
5.Tarkhov D.A. Nejrosetevye modeli i algoritmy [Neural network models and algorithms]. Moscow, Radio engineering; 2014. (In Russ.)
6.Bhatia A.S., Saggi M.K., Sundas A., Ashta J. Reinforcement Learning. In: U. N. Dulhare, K. Ahmad, K. A. Bin Ahmad (Eds.) Machine Learning and Big Data: Concepts, Algorithms, Tools and Applications. Chapter: 11. John Wiley & Sons, Inc.; 2020. p. 281-303. (In Eng.) DOI: https://doi.org/10.1002/9781119654834.ch11
7.Ding Z., Huang Y., Yuan H., Dong H. Introduction to Reinforcement Learning. In: H. Dong, Z. Ding, S. Zhang (Eds.) Deep Reinforcement Learning. Springer, Singapore; 2020. p. 47-123. (In Eng.) DOI: https://doi.org/10.1007/978-981-15-4095-0_2
8.Leontiev L.P., Gokhman O.G. Problemy upravlenija uchebnym processom: Matematicheskie modeli [Problems Training Management: Mathematical model]. Zinātne, Riga; 1984. (In Russ.)
9.Novikov D.A. Teorija upravlenija obrazovatel'nymi sistemami [Control theory of educational systems]. Public Education Publ., Moscow; 2009. (In Russ.)
10.Ivashkin Yu.A., Nazoikin E.A. Multi-agent simulation modeling of accumulation of knowledge process. Software & Systems. 2011; (1):45-49. Available at: http://swsys.ru/index.php?page=article&id=2711 (accessed 17.01.2021). (In Russ., abstract in Eng.)
11.Mayer R.V. Multi-component model of learning and its use for research didactic system. Fundamental research. 2013; (10-11):2524-2528. Available at: https://elibrary.ru/item.asp?id=21013880 (accessed 17.01.2021). (In Russ., abstract in Eng.)
12.Mayer R.V. Kiberneticheskaja pedagogika: imitacionnoe modelirovanie processa obuchenija [Cybernetic Pedagogy: Modeling of the Learning Process]. GSPI, Glazov; 2014. (In Russ.)
13.Druzhinina O.V., Masina O.N., Petrov A.A. Construction of differential mathematical models used in the development of a hybrid intellectual learning environment, taking into account delay and control actions. Continuum. Mathematics. Computer science. Education. 2021; (1):69-80. (In Russ., abstract in Eng.) DOI: https://doi.org/10.24888/2500-1957-2021-1-69-80
14.Druzhinina O.V., Masina O.N., Petrov A.A., Shcherbatykh S.V. Application of intelligent technologies and neural network modeling methods in the development of a hybrid learning environment. Journal of Physics: Conference Series. 2020; 1691:012125. (In Eng.) DOI: https://doi.org/10.1088/1742-6596/1691/1/012125
15.Karpenko A.P. Sovremennye algoritmy poiskovoj optimizacii. Algoritmy, vdohnovlennye prirodoj [Modern search engine optimization algorithms. Algorithms inspired by nature]. MSTU, Мoscow; 2017. (In Russ.)
16.Demidova A. et al. The Generalized Algorithms of Global Parametric Optimization and Stochastization for Dynamical Models of Interconnected Populations. In: N. Olenev, Y. Evtushenko, M. Khachay, V. Malkova. (Eds.) Optimization and Applications. OPTIMA 2020. Lecture Notes in Computer Science, vol. 12422. Springer, Cham; 2020. p. 40-54. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-62867-3_4
17.Haykin S. Neural Networks: A Comprehensive Foundation. Prentice Hall; 1998. (In Eng.)
18.Astaсhova I.F., Kiseleva E.I. Hybrid Intelligent Information System for Predicting the Number of Test Tasks. Sovremennye informacionnye tehnologii i IT-obrazovanie = Modern Information Technologies and IT-Education. 2020; 16(4):917-926. (In Eng.) DOI: https://doi.org/10.25559/SITI-TO.16.202004.917-926
19.Monostori L., Egresits Cs. On hybrid learning and its application in intelligent manufacturing. Computers in Industry. 1997; 33(1):111-117. (In Eng.) DOI: https://doi.org/10.1016/S0166-3615(97)00064-X
20.Azkune G., Almeida A. A Scalable Hybrid Activity Recognition Approach for Intelligent Environments. IEEE Access. 2018; 6:41745-41759. (In Eng.) DOI: https://doi.org/10.1109/ACCESS.2018.2861004
21.Khan F., Ahamed J. Hybrid Reality based Education Expansion System for Intelligent Learning. 2020 Seventh International Conference on Information Technology Trends (ITT). Abu Dhabi, United Arab Emirates; 2020. p. 224-227. (In Eng.) DOI: https://doi.org/10.1109/ITT51279.2020.9320784
22.Varghese N.V., Mahmoud Q.H. Optimization of Deep Reinforcement Learning with Hybrid Multi-Task Learning. 2021 IEEE International Systems Conference (SysCon). Vancouver, BC, Canada; 2021. p. 1-8. (In Eng.) DOI: https://doi.org/10.1109/SysCon48628.2021.9447080
23.Chee K.-S., Phon-Amnuaisuk S. Intelligent learning environment: building hybrid system from standard application and Web application. Fifth IEEE International Conference on Advanced Learning Technologies (ICALT'05). Kaohsiung, Taiwan; 2005. p. 506-510. (In Eng.) DOI: https://doi.org/10.1109/ICALT.2005.175
24.Fonseca T.L., Goliatt L. Hybrid Extreme Learning Machine and Backpropagation with Adaptive Activation Functions for Classification Problems. In: A. Abraham, V. Piuri, N. Gandhi, P. Siarry, A. Kaklauskas, A. Madureira (Eds.) Intelligent Systems Design and Applications. ISDA 2020. Advances in Intelligent Systems and Computing, vol. 1351. Springer, Cham; 2012. p. 19-29. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-71187-0_2
25.He K. Hybrid Learning and New Development of “IT in Education” Theory. In: P. Tsang, S.K.S. Cheung, V.S.K. Lee, R. Huang (Eds.) Hybrid Learning. ICHL 2010. Lecture Notes in Computer Science, vol. 6248. Springer, Berlin, Heidelberg; 2010. p. 513-531. (In Eng.) DOI: https://doi.org/10.1007/978-3-642-14657-2_46
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.
