Создание цифровой образовательной среды с использованием нейросетей

Размещено на http://www.Allbest.Ru/

Создание цифровой образовательной среды с использованием нейросетей

Аннотация

Современный этап цифровизации общества и образования непосредственно связан с внедрением и широким использованием нейросетей в практике образовательных организаций. Задачи, решаемые нейросетями, достаточно разнообразны и позволяют существенно повысить эффективность как образовательного процесса, так и управления образовательной организации в целом. Одним из возможных комплексных решений по цифровой трансформации высшего учебного заведения может стать формирование образовательной цифровой среды на основе широкого применения нейросетей и искусственного интеллекта.

В статье представлен комплексный состав данной среды и решаемые ею задачи, где в качестве одной из основных считается индивидуализация и дифференциация обучения за счет формирования индивидуальных образовательных траекторий обучения.

Ключевые слова: нейросети, искусственный интеллект, образовательная среда, индивидуальная образовательная траектория, цифровой след, цифровой профиль.

Annotation

Neural networks as a basis for creating a digital educational smart environment

The current stage of digitalization of society and education is directly related to the introduction and widespread use of neural networks in the practice of educational organizations. The tasks solved by neural networks are quite diverse and can significantly increase the efficiency of both, the educational process and the management of the educational organization as a whole. One of the possible comprehensive solutions for the digital transformation of a higher education institution could be the formation of an educational digital environment based on the widespread use of neural networks and artificial intelligence. The article presents the complex composition of this environment and its tasks, where individualization and differentiation of learning through the formation of individual educational learning trajectories is considered one of the main ones.

Keywords: neural networks, artificial intelligence, educational environment, individual educational trajectory, digital footprint, digital profile.

Введение

Ускоренное, практически лавинное развитие современных информационных технологий (ИТ), средств коммуникаций на их основе, цифровых услуг и сервисов нельзя не заметить. Не вызывает сомнения и необходимость их внимательного изучения и анализа на предмет использования в современном обществе и его институтах. Так, с одной стороны, обозначенные процессы выступают драйвером общественного развития и обеспечивают повышение эффективности экономики и улучшение качества жизни. С другой стороны, эти процессы обеспечивают рост автоматизации большинства производственных, коммуникационных и управленческих процессов, что приводит к передаче части функций, выполняемых человеком как субъектом профессиональной деятельности, автоматическим приборам и устройствам. В контексте создания цифровой образовательной среды это формирует потребность в разработке и применении новых технологий и новых методов принятия решений [11].

Очевидно, что система образования как часть общества не может остаться в стороне от тех изменений, которые привносят в нашу деятельность последние достижения в области IT. И если еще десять-пятнадцать лет назад система образования предпринимала определенные меры по адаптации к особенностям электронного обучения, параллельно обсуждая достоинства и недостатки этой модели для формирования всесторонне развитой личности и подготовки качественно подготовленного специалиста для экономики будущего, то теперь ставки резко были подняты - на первое место вышел искусственный интеллект и нейросети на его основе [6].

Анализируя опыт внедрения систем дистанционного обучения на основе IT-средств, электронного обучения, электронных средств учебного назначения и других компонентов электронной (цифровой) среды в практику современного отечественного образования, нельзя не отметить, что этот процесс излишне затянулся. Особенно значимым оказался разрыв между «электронной образовательной средой», которую удалось «создать» представителям системы образования, и цифровой средой, которую создал отечественный бизнес, очень активно и оперативно реагирующий на любые изменения и старающийся быстро внедрять новации, которые ведут к успеху в конкурентной борьбе. И пока в педагогической среде обсуждались термины «инновации», «новации», «дистанционное обучение», «электронное обучение» и «электронная среда», в промышленности, в экономике, на производствах уже шло внедрение и использование компонентов IT-среды: контроллеров, компьютеров, баз данных и массивов данных, Big Data, автоматизированных и интеллектуальных систем и робототехники [5]. В итоге это привело к серьезному отставанию системы образования в вопросах практической реализации IT-решений в образовательном процессе от отраслей экономики, что подтвердил длительный период «ковидных ограничений», реализованных в стране два года назад. Нечто подобное наблюдается и сейчас, когда на первое место в цифровой экосистеме человечества выходит искусственный интеллект и нейронные сети на его основе.

Со временем перемены в системе образования и адаптации ее к условиям цифровой среды за счет целенаправленной работы, ряда целевых программ и финансирования привели к системным изменениям. В настоящее время процесс цифровизации образования - одно из приоритетных направлений развития современной образовательной среды, хотя это развитие, надо признать, несмотря на ряд целевых государственных проектов и программ, идет неравномерно (в рамках тех или иных регионов страны).

По оценке Всемирного экономического форума к 2025 году рынок образовательных цифровых технологий может достигнуть почти 340 млрд долларов, что является достаточно серьезной суммой [12]. И от того, насколько быстро и оперативно отечественные вузы адаптируются к новым условиям, зависит не только успех этих образовательных организаций, но и будущее экономики страны, которой требуются соответствующие кадры, способные работать в условиях цифровой трансформации экономики и общества.

Методы. Одной из ключевых составляющих является применение технологий искусственного интеллекта и нейросетевых технологий на его основе.

В широком смысле, согласно одному из определений, искусственный интеллект - это технология, которая содержит комплекс средств, позволяющих компьютеру, основываясь на изученных данных, выдавать ответы на вопросы, а также на базе этого делать выводы, то есть изучать ту информацию, которая в него не добавлялась создателями этого самого компьютера [19]. А так как для обеспечения функционирования искусственного интеллекта (ИИ) потребовались экспертные системы, методы машинного обучения, исследования по изучению работы нервной системы человека и др., то это позволило создать искусственные нейронные системы и нейронные сети, которые сейчас стали очень популярны.

Как отмечал Г. Бакунов (представитель «Яндекс») еще пять лет назад, «главное, что сейчас делают нейронные сети для человека, - избавляют его от излишнего принятия решений. Так что их можно использовать практически везде, где принимаются не слишком интеллектуальные решения живым человеком. В следующие пять лет будет эксплуатироваться именно этот навык, который заменит принятие решений человеком на простой автомат» [4]. И он оказался прав, сейчас мы наблюдаем следующий этап развития искусственного интеллекта - самообучение ИИ, развитие алгоритмов машинного обучения через модификацию SOINN (самоорганизующаяся инкрементная нейронная сеть). И сейчас нейронные сети - одно из направлений в разработке систем искусственного интеллекта.

Идея заключается в том, чтобы максимально близко смоделировать работу человеческой нервной системы, в частности, ее способности к обучению и исправлению ошибок. И такой подход иллюстрирует главную особенность нейронных сетей - они способны самостоятельно обучаться и действовать на основании предыдущего опыта, с каждым разом делая все меньше ошибок.

К настоящему времени уже имеется немало исследований и работ по анализу и оценке применения нейросетей в образовательном процессе, однако данную проблему нельзя считать полностью изученной. При этом главным вопросом для педагогического сообщества был и остается вопрос о полезности или опасности данных технологий при их использовании в процессе обучения.

И для этого есть определенные основания, достаточно вспомнить случай с подготовкой и защитой выпускной квалификационной работы в Российском государственном гуманитарном университете (РГГУ), где студент успешно прошел выпускную аттестацию, подготовив свой диплом с применением чат-бота ChatGPT. Интересно, что первой реакцией администрации вуза стало предложение ограничить доступ к чат-боту ChatGPT в образовательных организациях из-за его возможного негативного влияния на обучение [1]. Но насколько это верно, ведь запретить - это самое простое, что можно сделать, однако будет ли результативным это действие, а главное - насколько выпускаемые вузом специалисты после такого запрета будут адаптированы к жизни и продуктивной деятельности на благо общества в цифровой среде?

Между тем на данный момент мы имеем большое количество подтверждений того, что нейронные сети в умелых руках способны на многое, даже в существующей комбинации, однако их развитие идет очень стремительно. Например, буквально недавно пресс-служба компании Яндекс сообщила о достижении своей нейронной сети YandexGPT 2, которая смогла сдать ЕГЭ, а количество набранных баллов (55) «позволило» искусственному интеллекту «поступить» в университет, причем в качестве «исследуемого предмета» выступала литература. Между тем для удобства пользователей и экономии их времени компания Гугл в очередной раз обновила свой модуль ИИ для поисковой системы, внедрив генератор изображений и черновиков для писем прямо в поисковую строку.

В свою очередь, разработчики отечественной нейронной сети Kandinsky сообщили о развертывании новой функции, которая позволяет генерировать видео по текстовому описанию, которое составляет пользователь. В то же время Компания Adobe продемонстрировала новый инструмент на базе искусственного интеллекта под названием Project Fast Fill, включающий несколько экспериментальных ИИ-функций, с помощью которого можно легко добавить или удалить любой объект на видео. Представленный перечень достижений средств на основе ИИ и нейронных сетей ярко представляет, что эффективность инструментов на их основе растет достаточно стремительно [17]. В этом свете вполне можно объяснить действия руководства Московского городского педагогического университета (МГПУ), которое разрешило своим студентам использовать платформы искусственного интеллекта, включая популярные чат-боты, при написании выпускных квалификационных работ (ВКР).

В этой связи актуальной можно считать позицию, согласно которой отечественным вузам следует вместо того, чтобы искать способы ограничить использование инструментов на основе ИИ (по типу ChatGPT, YandexGPT 2, Midjomey, Kandinsky и др.), лучше найти способы включить данные средства работы с информацией в образование для их использования в полной мере.

Как показывают результаты зарубежных исследований, большинство студентов говорят, что, по их мнению, это может помочь им стать лучше в учебе (68%) и учиться быстрее (75%). Более того, преподаватели поддерживают мнение своих учеников: 73% педагогов заявили, что ChatGPT (к примеру) может помочь их ученикам узнать больше.

Наши исследования, проведенные в Кемеровском государственном университете и Кемеровском государственном институте культуры, также подтвердили данный тренд - на вопрос о готовности использовать нейросети (по типу ChatGPT, YandexGPT 2) для написания письменных работ (рефератов, докладов, выступления, курсовых и дипломных проектов) 56-57% респондентов заявили о таком желании, в то же время только около 15-17% уже имели опыт использования таких средств в процессе обучения. Следует отметить, что критически к возможностям таких средств относятся более 82%, оценивая результаты работы подобных инструментов ИИ не очень высоко, а более 33% утверждают, что результаты работы инструментов на основе нейросетей (по типу ChatGPT, YandexGPT 2) не оправдывают затраченных на них времени, так как требуют существенных доработок и коррекций, что повышает трудозатраты. Однако большинство опрошенных студентов, почти 63,5% указали на то, что работа с нейросетями и программными продуктами на их основе позволяет решать творческие задачи и более широко проявлять креативные способности в процессе обучения. В исследованиях, проведенных Д.В. Деулиным и его коллегами, сделан интересный вывод, что желание использовать нейросети в рамках подготовки и написания письменных работ имеют преимущественно студенты с низкой успеваемостью, при этом делают это они не потому, что не верят в свои силы, а потому, что в условиях существующего невысокого и шаблонного контроля за их деятельностью можно позволить себе не утруждаться сложными задачами, передав функцию их выполнения нейросети. Интересно, что те же исследования отметили два факта: высокая степень вовлеченности в образовательный процесс и высокий уровень успеваемости (преобладание оценок «хорошо» и «отлично») существенно снижают зависимость студентов от компьютера, что также ведет к уровню стресса обучающихся [3]. Здесь видна прямая взаимосвязь высокого психоэмоционального напряжения и желания больше времени проводить в условиях виртуальной реальности.

Интересно, что, по данным зарубежных исследований, многие педагоги не против, чтобы их ученики использовали ChatGPT. Один из опросов показал, что учителя почти в четыре раза чаще разрешали ученикам использовать ChatGPT (38%), чем ловили их на использовании без их разрешения (10%). И при этом только 15% студентов признались, что использовали программу без разрешения учителей, тем самым показав, что данный процесс может быть управляемым. Любопытно, что 59% учителей согласились, что ChatGPT, скорее всего, будет иметь применение в образовательных целях, которое они не могут игнорировать, и только 24% отметили, что ChatGPT, скорее всего, будет полезен только для студентов, которые будут обманывать.

Что касается отношения самих учителей к возможностям ИИ и нейросетей, то их позиция в целом положительная. По западным исследованиям, около 30% учителей и преподавателей вузов сообщили об использовании средств на базе искусственного интеллекта, позволяющего генерировать текст, для планирования уроков; 30% заявили, что начали использовать данные технологии при разработке творческих идей и новых форматов занятий, а 27% - что они помогли получить интересный материал, который в дальнейшем был использован для уроков и занятий.

Анализ имеющейся информации по направлениям применения нейросетей позволяет выявить ряд наиболее характерных для них задач в системе образования: прогнозирование оценок обучающихся (нейросети могут анализировать данные об успеваемости учеников, студентов, их посещаемости, выполнении домашних заданий и других факторах, чтобы предсказать их будущие оценки); автоматическое оценивание тестов и заданий (нейросети могут быть использованы для быстрого и точного анализа письменных работ студентов и выставления оценок); адаптивное обучение (нейросети используются для создания индивидуальных планов обучения для каждого студента, учитывая уровень знаний, интересы и цели обучающихся); разработка рекомендаций по обучению (нейросети помогают определить, какие курсы или материалы могут быть наиболее полезными для обучающихся на основе их предыдущих результатов и интересов); определение мошенничества и списывания (нейросети анализируют поведение студентов во время зачетов, экзаменов и могут обнаружить аномалии, которые укажут на списывание или мошенничество); распознавание речи и текста (нейросети позволяют создавать системы, которые могут распознавать голос и текст, что может быть полезно для проведения онлайн-занятий, проверки домашних заданий и др.).

Данный перечень далеко не исчерпывающий и отражает наиболее характерные направления по использованию нейросетей и средств ИИ (на данном уровне) в образовании [18]. Причем следует отметить, что отдельные задачи из списка напрямую направлены на контроль со стороны преподавателя за качественной работой студента, в том числе и на выявление недобросовестного выполнения домашних заданий, особенно творческого характера.

В настоящее время ведутся исследования (О.А. Козлова, А.А. Протасова) по возможности применения нейронных сетей в составе дистанционных образовательных технологий, в частности, для идентификации обучающихся; подбора конкретных обучающихся курсов под задачи, которые ставит перед собой обучающийся (с учетом личностных потребностей в обучении); разработки тестовых заданий и проверки правильности и полноты их решения; для подготовки траекторий прохождения того или иного курса в зависимости от образовательных потребностей и успехов [9]. Также представляет интерес опыт разработки набора нейтронных сетей (А.А. Микрюков, А.В. Бабаш, В.А. Сизов) для решений задач классификации событий в системах обеспечения информационной безопасности и анализа вероятности появления нестандартных ситуаций в медицинских системах [13].

В работах А.А. Мицель, А.А. Погуда, К.А. Семенова ведется разработка вариантов применения аппарата нейронной сети для тестирования знаний, где представляется опыт использования собственной разработки на основе сети Кохонена [14]. Применение здесь специального типа нейронной сети для решения задачи кластеризации (в областях распознавания образов, диагностики, классификации, в кластеризации данных, в прогнозировании, в сфере оптимального управления) должно позволить обеспечить контроль за реализацией учебных планов и провести оптимизацию финансовых затрат вуза. Анализируя задачи, которые исследователи ставят перед своими системами на основе ИИ, можно отметить, что это как раз те задачи, которые способны снизить нагрузку как на административный, так и на профессорско-преподавательский состав: оптимизация распределения аудиторного фонда, материально-технических средств и технических средств обучения; составление расписаний и их оперативная корректировка, своевременная корректировка образовательных программ, распределение учебной нагрузки профессорско-преподавательского состава; реализация оптимальной учебной траектории персонализированного обучения и др.

Показательно, что в связи с глобальной цифровизацией в рамках развития цифровой экономики, распространения ИИ и нейросетей, активно, по мнению А. Баранова, А. Войскунского и др., формируется новая отрасль психологии - киберпсихология (психология Интернета), объединяющая методологию, теорию и практику исследования видов, способов и принципов использования людьми социальных сервисов Интернета. В этом ключе не удивительно, что и в работах отечественных ученых и исследователей уже есть не менее кардинальные планы: В. В. Казачёнок предлагает выделить как отдельное направление в рамках общей концепции применения нейронных сетей идею формирования педагогического направления «нейропедагогика» [8]. Уже формулируется одна из задач нейропедагогики - определить, каким образом можно повысить эффективность обучения, используя новейшие знания о человеческом мозге. И это все нельзя не замечать и не учитывать. Научное сообщество активно изучает опыт российских и китайских вузов по измерению вовлеченности студентов в процесс обучения путем использования системы распознавания эмоций для оперативного выявления изменений качества занятий, и здесь также нельзя обойтись без достижений в области ИИ и нейросетей [2; 15; 18]. Безусловно, новые работы по этому направлению охватывают не только педагогику и психологию, но и социологию, психодиагностику, вычислительную математику, информационные технологии, информационные системы.

Рассмотренные подходы позволяют перейти к созданию целостной модели образовательной SMART-среды высшего учебного заведения, способной осуществлять сопровождение обучения студентов на всех этапах освоения образовательной программы. В общем виде данная модель представляет собой совокупность систем и компонентов, обеспечивающих решение следующих задач: идентификация обучающегося и определение его уровня подготовки; анализ предпочтений, интересов и склонностей обучающихся по «цифровому следу» для целевой и точечной работы с аудиторией, формирования расширенного цифрового профиля; формирование индивидуальных траекторий обучения с учетом существующего уровня компетенций; автоматизация процессов проверки творческих текстовых заданий с применением алгоритмов распознавания, используя нейросети.

Одним из ключевых компонентов модели должен стать модуль анализа цифрового следа и формирования цифрового профиля студентов. Как нами отмечалось ранее [17], под цифровым следом мы будем понимать уникальный набор действий пользователя в сети Интернет. Это достаточно важная задача, так как цифровые данные, оставленные человеком в Сети, могут использоваться для моделирования и предсказания отдельных психологических черт личности [7]. Анализируемые параметры профилей обучающихся позволят выявить среди них тех, кто открыт к поиску конкретных знаний в изучаемой области, определить направления их мотивации к обучению, что обеспечит плановость индивидуальной работы с предложением конкретных творческих заданий, дополнительных курсов и проектов. Для построения цифрового профиля обучающегося потребуется разработка алгоритма выбора и подготовки набора данных по определению сегментированной целевой аудитории и их агрегации, что можно решить средствами искусственного интеллекта и нейросетей [7].

В рамках запланированного исследования нами будут использованы методы междисциплинарного анализа и синтеза философской, методологической, педагогической, психологической, социально-экономической литературы, литературы по IT-технологиям и сетевым сервисам. Для разработки концепции предлагаемой модели образовательной SMART-среды - экспертная оценка, обобщение, систематизация, моделирование, проектирование систем и процессов. Кроме этого, нами будут использованы лингвистический анализ данных (на основе LIWC и NLTK) и методы психодиагностики (тестирование и опросы), так как без них невозможна работа с пользовательскими данными социальных сетей студентов образовательных организаций по выявлению их образовательных запросов и потребностей, которые позволят решить задачу проектирования индивидуальных образовательных траекторий личностного и профессионального развития. Основу тестовых методик составят тесты интеллекта, тесты специальных способностей, в первую очередь - способностей к определенному виду деятельности (лингвистические, управленческие, педагогические, технологические и т.п.); тесты креативности, предназначенные для измерения творческих способностей [5]. В качестве одного из элементов искусственного интеллекта планируется применить сверточные нейронные сети CNN.

Метод анализа пользовательских данных на основе морфологии и синтаксиса текстовых и графических блоков, подписок на аккаунтах обучающихся (пользователей сетей) позволит определить личностные характеристики владельцев, обосновать связи между цифровыми данными из профилей пользователей в сетях Интернет и их реальными демографическими, социальными и психологическими характеристиками и профессиональными наклонностями. В дальнейшем методы корреляционного анализа, интерпретации данных, метод таксонометрии обеспечат формирование сегментированной целевой аудитории и их агрегацию.

Результаты

педагогический интеллектуальный цифровой образовательный нейросеть

На первом этапе исследования нами проведен анализ предпочтений и интересов студентов педагогических специальностей («Психолого-педагогическое образование», «Педагогическое образование с двумя направлениями подготовки», «Педагогическое образование»), обучающихся по программам бакалавриата, а также выявлены их отношение и интерес к использованию нейросетей. В качестве основных вопросов, которые были заданы обучающимся, фигурировали вопросы о том, как они оценивают возможность использования нейросетей при выполнении творческих заданий, как это могло бы отразиться на качестве получаемых знаний, как это может сказаться на общей мотивации к учебе. Опросными методами были определены приоритеты обучающихся в пользовании теми или иными ресурсами и сервисами Интернета. В дальнейшем это было использовано для настройки алгоритмов, работающих на основе нейросети, в частности, при разработке и апробации алгоритмов выбора и подготовки набора данных по определению сегментированной целевой аудитории, что использовалось для построения цифрового профиля обучающегося вуза и его коррекции.

Последующий анализ цифровых следов студентов в социальных сетях позволил получить данные, которые были соотнесены с данными, полученными традиционным образом. Такой способ позволил проверить работоспособность алгоритма на основе нейросети и провести его корректировку в рамках машинного обучения. Полученные результаты позволили сформировать массив исходных данных для решения следующей задачи по прогнозу уровня мотивации к обучению по определенным направлениям («Педагогика», «Психология», «Социология» и другие гуманитарные дисциплины) с учетом интеллектуального развития и креативности, скорректировать перечень предлагаемых дисциплин и курсов, кроме того, нами прорабатываются подходы к выработке исходных данных для студентов, обучающихся по направлениям фундаментальных наук (физика, химия, история).

Каждый обучающийся рассматривался как основа для формирования личной (персональной) модели, которая в дальнейшем будет включена в базу создаваемой модели образовательной SMART-среды. Собранные данные по тестированию обучающихся в локальных тестовых LMS-системах и интернет-опросах в дальнейшем использовались и обрабатывались с применением нейросетевых моделей на предмет определения текущего уровня сформированное™ компетенций. В качестве основных показателей, которые применялись для оценки, были использованы итоговые отметки за вопросы тестовых заданий с учетом их сложности, время, потраченное на ответы, количество попыток, которые были затрачены на решение всего теста, количество тем и разделов дисциплин, из которых были собраны данные тестовые задания, а также типы тестовых заданий (выбор, соответствие, соотнесение, логика). Полученные данные позволят проводить дифференциацию предлагаемого учебного материала по уровню сложности, по уровню творчества, по проблемности, по объему материала, по степени самостоятельности, по корреляции с будущей профессиональной деятельностью выпускника и, соответственно, подбирать или формировать учебный курс, максимально востребованный обучающимися. В результате данная адаптация учебных программ на основе предлагаемой дифференциации будет способствовать повышению качества обучения студентов и конструированию индивидуальных траекторий обучения.

Особую сложность в работе представляет обоснование и построение типовой и индивидуальной траекторий обучения, требующих, прежде всего, выбора преимущественного направления реализации траектории (содержательного, деятельностного или процессуального) [10]. В соответствии с приоритетом направления реализации траектории необходимо выстроить инвариантные и вариативные блоки-модули. Данные блоки-модули в русле приоритета содержательного направления должны включать освоение содержания на том уровне, который соответствует возможностям, интересам, потребностям обучающихся, в русле приоритета деятельностного направления - реализацию через специфические образовательные технологии. Процессуальное направление отдает приоритет организационному аспекту образовательного процесса. Логическим продолжением заданного процесса и будет создание нейросетевой модели для решения поставленных образовательных задач.

Заключение

Внедрение искусственного интеллекта и нейросетей на его основе позволит расширить возможности существующих дидактических систем, использующих известные программные средства и цифровые сервисы (массовые открытые онлайн-курсы, адаптированные тестовые системы, конструкторы индивидуальных образовательных траекторий). Это, в свою очередь, даст возможность реализовать высокий уровень персонализации и на практике осуществлять личностно ориентированное обучение на принципах высокой дифференциализации и адаптивности, что позволит повысить качество обучения студентов и, как результат, качество подготовки специалистов.

Создаваемая образовательная SMART-среда вуза на основе широкого применения нейросетевых технологий предоставит возможность путем измерения изменяющихся характеристик обучающихся оперативно реагировать на их деятельностные проявления и достижения в образовательном процессе, что обеспечит повышение эффективности их распределения по определенным траекториям. При этом создаваемый массив данных позволит оценивать процессы изменения в динамике.

Литература

1. Бакунова О.М., Калитеня И.Л., Бакунов А.М., Палуйко А.Ф., Антонов Е.Д., Гречко И.С. Использование нейронных сетей в образовании // Web of Scholar. - 2018. - №1(19). - С. 8-10.

2. Бесшапошников Н.О., Дьяченко М.С., Леонов А.Г., Матюшин М.А., Орловский А.Е. Использование машинного обучения и нейронных сетей для автоматической верификации заданий в текстовом и графическом представлении и помощи преподавателю // Успехи кибернетики. - 2020. - Т. 1, №2. - С. 39-45.

3. Босов А.В. Применение самоорганизующихся нейронных сетей к процессу формирования индивидуальной траектории обучения // Информатика и ее применения. - 2022. - Т. 16, №3. - С. 7-15.

4. Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить [Электронный ресурс].

5. Дочкин С.А. Об отдельных аспектах воздействия цифрового мира на образование взрослых // Профессиональное образование и занятость молодежи: XXI век. Цифровое образование: от прогнозов к реальности: материалы Международной научно-практической конференции, 21-22 апреля 2021 года: в 2 ч. - Кемерово: КузГТУ, 2021. - Ч. 1. - С. 29-33.

6. Дочкин С.А., Кабачевская Е. Проектирование сетевых моделей взаимодействия в интересах непрерывного образования // Адресная подготовка специалистов среднего профессионального образования в процессе сетевого взаимодействия: материалы IV Всероссийской научно-практической конференции с международным участием, 17-18 июня 2019 г., Екатеринбург / под ред. Е.А. Шакуто. - Уфа: Аэтерна, 2019. - С. 30-38.

7. Дочкин С.А., Кузнецова И.Ю. Цифровой след как инструмент отбора абитуриентов в вуз // Актуальные научные исследования в современном мире. - 2021. - №11-10 (79). - С. 154-158.

8. Казаченок В.В. Применение нейронных сетей в обучении // Информатика и образование. - 2020. - №2(311). - С. 41-47.

9. Козлова О.А., Протасова А.А. Использование нейронных сетей в дистанционных образовательных технологиях для идентификации обучающихся // Открытое образование. - 2021. - Т. 25, №3. - С. 26-35.

10. Костюк Н.В., Султан Р.Г. Позитивная мотивация к обучению как фактор выстраивания учебно-профессиональной траектории студентов вузов сферы культуры и искусства // Вестник Кемеровского государственного университета культуры и искусств: журнал теоретических и прикладных исследований. - 2018. - №45/2. - С. 47-52.

11. Костюк Н.В., Панина Т.С., Пахомова Е.А. Трансформация подготовки управленческих кадров на этапе цифровизации экономического и социального развития общества // Профессиональное образование и рынок труда. - 2019. - №4 (39). - С. 43-51.

12. Курбанова 3.С., Исмаилова Н.П. Нейросети в контексте цифровизации образования и науки // Мир науки, культуры, образования. - 2023. - №3(100). - С. 309-311.

13. Микрюков А.а., Бабаш А.В., Сизов В.А. Классификация событий в системах обеспечения информационной безопасности на основе нейросетевых технологий // Открытое образование. - 2019. - Т 23, №1. - С. 57-63.

14. Мицель А.А., Погуда А.А., Семенов К.А., Утешева А.Е. Методы тестирования знаний на основе применения аппарата нейронной сети // Открытое образование. - 2013. - №2(97). - С. 34-41.

15. Можаева Г.В., Слободская А.В., Фещенко А.В. Информационный потенциал социальных сетей для выявления образовательных потребностей школьников // Открытое и дистанционное образование. - 2017. - №3 (67). - С. 25-29.

16. Можаева Г.В. Онлайн-обучение в современном университете: от брендирования и рекрутинга к новому качеству образования // Менеджмент XXI века: образование в эпоху цифровой экономики: сборник научных статей по материалам XVII Международной научно-практической конференции. - СПб.: Изд-во РГПУ имени А. И. Герцена, 2019. - С. 251-257.

17. Панина Т.С., Дочкин С.А. Некоторые аспекты цифровой трансформации в образовании взрослых: вопросы без ответов // Известия Российской академии образования. - 2022. - №2(58). - С. 160-171.

18. Чумакова Е.В., Кореев Д.Г., Гаспариан М.С. Разработка метода адаптивного тестирования на основе нейротехнологий // Открытое образование. - 2022. - Т 26, №2. - С. 4-13.

19. Шамсутдинова Т.М. Проблемы и перспективы применения нейронных сетей в сфере образования // Открытое образование. - 2022. Т 26, №6. - С. 4-9.

References

1. Bakunova О.М., Kalitenya I.L., Bakunov A.M., Paluyko A.F., Antonov E.D., Grechko I.S. Ispol'zovanie neyronnykh setey v obrazovanii [Use of neural networks in education]. Web of Scholar [Web of Scholar], 2018, no. 1(19), pp. 8-10. (In Russ.).

2. Besshaposhnikov N.O., Dyachenko M.S., Leonov A.G., Matyushin M.A., Orlovskiy A.E. Ispol'zovanie mashinnogo obucheniya і neyronnykh setey dlya avtomaticheskoy verifikatsii zadaniy v tekstovom і graficheskom predstavlenii і pomoshchi prepodavatelyu [Using machine learning and neural networks for automatic verification of tasks in text and graphical representation and assistance to the teacher]. Uspekhi kibernetiki [Advances in Cybernetics], 2020, vol. 1, no. 2, pp. 39-45. (In Russ.)

3. Bosov A.V. Primenenie samoorganizuyushchikhsya neyronnykh setey k protsessu formirovaniya individual'noy traektorii obucheniya [Application of self-organizing neural networks to the process of forming an individual learning trajectory]. Informatika i ee primeneniya [Informatics and its applications], 2022, vol. 16, no. 3, pp. 7-15. (In Russ.),

4. Bum neyrosetey: Kto delaet neyronnye seti, zachem oni nuzhny i skol'ko deneg mogut prinosit' [The boom of neural networks: Who makes neural networks, why are they needed and how much money can they bring in]. (In Russ.)

5. Dochkin S.A. Ob otdel'nykh aspektakh vozdeystviya tsifrovogo mira na obrazovanie vzroslykh [On certain aspects of the impact of the digital world on adult education]. Professional'noe obrazovanie i zanyatost' molodezhi: XXI vek Tsifrovoe obrazovanie: ot prognozov k real'nosti: materialy Mezhdunarodnoy nauchno-prakticheskoy konferentsii, 21-22 aprelya 2021 goda: v 2 chastyakh [Vocational education and youth employment: XXI century Digital education: from forecasts to reality: Proceedings of the International Scientific and Practical Conference, April 21-22, 2021. In 2 parts]. Kemerovo, T.F. Gorbachev Kuzbass State Technical University Publ., 2021, part 1, pp. 29-33. (In Russ.).

6. Dochkin S.A., Kabachevskaya E. Proektirovanie setevykh modeley vzaimodeystviya v interesakh nepreryvnogo ob- razovaniya [Designing network models of interaction in the interests of lifelong education]. Adresnaya podgotovka spetsialistov srednego professional'nogo obrazovaniya v protsesse setevogo vzaimodeystviya: materialy IV Vserossiyskoy nauchno-prakticheskoy konferentsii s mezhdunarodnym uchastiem, 17-18 iyunya 2019 goda, Ekaterinburg [argeted training of secondary vocational education specialists in the process of network interaction: materials of the IV All-Russian scientific and practical conference with international participation, June 17-18, 2019 goda, Ekaterinburg]. Ed. by E.A. Shakuto Ufa, Aeterna Publ., 2019, pp. 30-38. (In Russ.).

7. Dochkin S.A., Kuznetsova I.Y Tsifrovoy sled как instrument otbora abiturientov v vuz [Digital footprint as a tool for selecting applicants to a university]. Aktual'nye nauchnye issledovaniya v sovremennom mire [Current scientific research in the modern world], 2021, no. 11-10 (79), pp. 154-158. (In Russ.).

8. Kazachenok V.V. Primenenie neyronnykh setey v obuchenii [Application of neural networks in teaching]. Informatika i obrazovanie [Computer science and education], 2020, no. 2(311), pp. 41-47. (In Russ.)

9. Kozlova O.A., Protasova A.A. Ispol'zovanie neyronnykh setey v distantsionnykh obrazovatel'nykh tekhnologi- yakh dlya identifikatsii obuchayushchikhsya [The use of neural networks in distance educational technologies for identifying students]. Otkrytoe obrazovanie [Open education], 2021, vol. 25, no. 3, pp. 26-35. (In Russ.)

10. Kostyuk N.V, Sultan R.G. Pozitivnaya motivatsiya к obucheniyu как faktor vystraivaniya uchebno-professional'noy traektorii studentov vuzov sfery kul'tury і iskusstva [Positive motivation for learning as a factor in building the educational and professional trajectory of university students in the field of culture and art]. Vestnik Kemerovskogo gosudarstvennogo universiteta kul'tury i iskusstv [Bulletin of the Kemerovo State University of Culture and Arts], 2018, no. 45/2, pp. 47-52. (In Russ.).

11. Kostyuk N.V, Panina T.S., Pakhomova E.A. Transformatsiya podgotovki upravlencheskikh kadrov na etape tsi- frovizatsii ekonomicheskogo і sotsial'nogo razvitiya obshchestva [Transformation of training of management personnel at the stage of digitalization of economic and social development of society]. Professional'noe obrazovanie i rynok truda [Professional education and labor market], 2019, no. 4 (39), pp. 43-51. (In Russ.).

12. Kurbanova Z.S., Ismailova N.P. Neyroseti v kontekste tsifrovizatsii obrazovaniya і nauki [Neural networks in the context of digitalization of education and science]. Mir nauki, kul'tury, obrazovaniya [World of science, culture, education], 2023, no. 3(100), pp. 309-311. (In Russ.).

13. Mikryukov A.A., Babash A.V., Sizov V.A. Klassifikatsiya sobytiy v sistemakh obespecheniya informatsionnoy bezopasnosti na osnove neyrosetevykh tekhnologiy [Classification of events in information security systems based on neural network technologies]. Otkrytoe obrazovanie [Open Education], 2019, vol. 23, no. 1, pp. 57-63. (In Russ.)

14. Mitsel' A.A., Poguda A.A., Semenov K.A., Utesheva A.E. Metody testirovaniya znaniy na osnove primeneniya apparata neyronnoy seti [Methods for testing knowledge based on the use of a neural network]. Otkrytoe obrazovanie [Open Education], 2013, (In Russ.). no. 2(97), pp. 34-41.

15. Mozhaeva G.V., Clobodskaya A.V., Feshchenko A.V Informatsionnyy potentsial sotsial'nykh setey dlya vyyavleniya obrazovatel'nykh potrebnostey shkol'nikov [Information potential of social networks for identifying the educational needs of schoolchildren]. Otkrytoe i distantsionnoe obrazovanie [Open and distance education], 2017, no. 3 (67), pp. 25-29. (In Russ.).

16. Mozhaeva G.V Onlayn-obuchenie v sovremennom universitete: ot brendirovaniya і rekrutinga к novomu kachest- vu obrazovaniya [Online learning at a modern university: from branding and recruiting to a new quality of education]. Menedzhment XXI veka: obrazovanie v epokhu tsifrovoy ekonomiki: sbornik nauchnykh statey po materialam XVII Mezhdunarodnoy nauchno-prakticheskoy konferentsii [Management of the 21st century: education in the era of the digital economy. Collection of scientific articles based on the materials of the XVII International Scientific and Practical Conference]. St. Petersburg, Herzen State Pedagogical University of Russia Publ., 2019, pp. 251-257. (In Russ.).

17. Panina T.S., Dochkin S.A. Nekotorye aspekty tsifrovoy transformatsii v obrazovanii vzroslykh: voprosy bez otvetov [Some aspects of digital transformation in adult education: unanswered questions]. Izvestiya Rossiyskoy akademii obrazovaniya [News of the Russian Academy of Education], 2022, no. 2(58), pp. 160-171. (In Russ.)

18. Chumakova E.V., Koreev D.G., Gasparian M.S. Razrabotka metoda adaptivnogo testirovaniya na osnove neyrotekh- nologiy [Development of an adaptive testing method based on neurotechnologies]. Otkrytoe obrazovanie [Open Education], 2022, vol. 26, no. 2, pp. 4-13. (In Russ.),

19. Shamsutdinova T.M. Problemy і perspektivy primeneniya neyronnykh setey v sfere obrazovaniya [Problems and prospects for the use of neural networks in the field of education]. Otkrytoe obrazovanie [Open Education], 2022, vol. 26, no. 6, pp. 4-9. (In Russ.)

Размещено на Allbest.Ru