Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти

Криворучко Олена Володимирівна

Костюк Юлія Володимирівна

Десятко Альона Миколаївна

Захаров Ростислав Геннадійович

Анотація

Використання нейронних мереж у навчанні за допомогою створення індивідуальних траєкторій здобуття та освоєння знань забезпечує індивідуальний підхід до навчання. Це дозволяє розширити дидактичні можливості комп'ютерних засобів навчання та відповідати змісту, формам та методам навчання з урахуванням освітніх запитів здобувачів вищої освіти. Використання нейронних мереж також дозволяє автоматично налаштовувати коефіцієнти для врахування динаміки змін траєкторії навчання, орієнтувати навчальний матеріал на різні типи та рівні освоєння, а також враховувати психологічні, особистісні якості та розвинені компетенції здобувачів вищої освіти.

У статті розглядається застосування самоорганізованих нейронних мереж з метою адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти. Основний акцент зроблено на розгляді методів та технологій, спрямованих на створення персоналізованих траєкторій навчання, які допомагають здобувачам вищої освіти ефективно освоювати навчальний матеріал, відповідно до їхніх індивідуальних потреб та можливостей. Обґрунтована процедура прогнозування та формування індивідуальної траєкторії навчання здобувачів вищої освіти базується на диференціації навчального матеріалу за різними параметрами, динамічної моделі характеристик здобувача вищої освіти та можливостей нейронних мереж. Вона відображає освітні потреби та індивідуальні особливості здобувачів вищої освіти, враховує динаміку зміни траєкторій та забезпечує індивідуальний підхід до навчання.

Використання карт Кохонена разом із суб'єктивними оцінками викладачів та адаптацією до моделі навчання дозволило успішно класифікувати здобувачів вищої освіти в інформаційно-освітній системі університету. Цей підхід допомагає вирішити недоліки статистичних методів та ефективно враховувати індивідуальні особливості, забезпечуючи високу якість навчання.

Запропонована технологія використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти розробляється відповідно до вимог інформатизації освіти. Вона забезпечує конструювання індивідуальних траєкторій здобуття та освоєння знань здобувачами вищої освіти, враховуючи їхні індивідуальні особливості в динамічній моделі характеристик. Детально проаналізовано методику організації навчання здобувачів вищої освіти з конструювання індивідуальних комп'ютерно-орієнтованих систем, звертаючи увагу на те, що ця методика спрямована не лише на розвиток технічних вмінь, але й на формування професійних навичок, необхідних для подальшої успішної діяльності в обраній сфері.

Ключові слова: самоорганізовані нейронні мережі, прогнозування, здобувачі вищої освіти, нейромережева навчальна система, карти Кохонена.

Abstract

нейронна мережа індивідуальне навчання

Kryvoruchko Olena Volodymyrivna Doctor of Technical Sciences, professor, head of the Department of Software Engineering and Cybersecurity of the Faculty of Information Technologies, State University of Trade and Economics, Kyiv

Kostiuk Yuliia Volodymyrivna Doctor of Philosophy (PhD), Senior lecturer of the Department of Software Engineering and Cybersecurity of the Faculty of Information Technologies, State University of Trade and Economics, Kyiv

Desyatko Alyona Mykolaivna Doctor of Philosophy (PhD), Associate Professor of the Department of Software Engineering and Cybersecurity of the Faculty of Information Technologies, State University of Trade and Economics, Kyiv

Zakharov Rostyslav Gennadiyovych PhD candidate, Assistant of the Department of Software Engineering and Cybersecurity of the Faculty of Information Technologies, State University of Trade and Economics, Kyiv

USE OF SELF-ORGANIZED NEURAL NETWORKS FOR ADAPTATION OF EDUCATIONAL MATERIALS TO THE INDIVIDUAL NEEDS OF HIGHER EDUCATION STUDENTS

The use of neural networks in education through the creation of individual learning trajectories ensures a personalized approach to learning. This allows expanding the didactic capabilities of computer-based learning tools and aligning with the content, forms, and methods of education, considering the educational requests of higher education learners. The utilization of neural networks also enables automatic adjustment of coefficients to account for the dynamics of changes in the learning trajectory, orienting educational material towards different types and levels of mastery, and considering the psychological, personal qualities, and developed competencies of higher education learners.

The article discusses the application of self-organizing neural networks to adapt educational materials to the individual needs of higher education learners. The main focus is on examining methods and technologies aimed at creating personalized learning trajectories, which help higher education learners effectively master educational material according to their individual needs and capabilities. The justified procedure of forecasting and forming an individual learning trajectory of higher education learners is based on differentiating educational material according to various parameters, the dynamic model of characteristics of higher education learners, and the capabilities of neural networks. It reflects the educational needs and individual characteristics of higher education learners, considers the dynamics of trajectory changes, and ensures an individualized approach to learning.

The use of Kohonen maps together with subjective assessments of teachers and adaptation to the learning model allowed successful classification of higher education learners in the university's information-education system. This approach helps address the shortcomings of statistical methods and effectively consider individual characteristics, ensuring high-quality education.

The proposed technology of using self-organizing neural networks to adapt educational materials to the individual needs of higher education learners is being developed in accordance with the requirements of educational informatization. It provides for the construction of individual learning trajectories for higher education learners, taking into account their individual characteristics in a dynamic model of characteristics. The methodology of organizing the education of higher education learners with the construction of individual computer-oriented systems is analyzed in detail, emphasizing that this methodology is aimed not only at developing technical skills but also at forming professional skills necessary for further successful activity in the chosen field.

Keywords: self-organizing neural networks, forecasting, higher education learners, neural network-based learning system, Kohonen maps.

Постановка проблеми

Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти є актуальним напрямком в сучасному освітньому процесі. Глобальна інформатизація людської діяльності стає домінуючою тенденцією сучасного суспільства. Синтез педагогічних та інтелектуальних інформаційних технологій дозволяє якісно змінити освітній процес, індивідуалізуючи навчання [1-3, 5].

Під індивідуальним навчанням розуміється навчання з урахуванням індивідуальних особливостей здобувачів вищої освіти, що дозволяє створювати оптимальні умови для найкращого розвитку освітян, формування їхніх здібностей та реалізації можливостей здобувачів вищої освіти у різних сферах діяльності. Впровадження сучасних інтелектуальних інформаційних технологій, зокрема технологій нейронних мереж, дозволяє новим чином підійти до проблеми індивідуалізації навчання [5]. Використання комп'ютерних дидактичних засобів, заснованих на принципах штучного інтелекту, передусім реалізує ідеї особистісно орієнтованого навчання, дозволяє максимально індивідуалізувати навчально-виховний процес, підвищує якість навчання та сприяє розвитку індивідуальних здібностей здобувачів вищої освіти.

Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти визначає новий метод навчання - комп'ютерні навчальні системи на основі нейромереж. Нейронні мережі відносяться до технологій штучного інтелекту і представляють собою математичні моделі біологічних нейронних мереж. Їх перевага полягає в створенні математичного апарату, який уміє розв'язувати завдання розпізнавання та категоризації образів в умовах великого обсягу, протиріччя та недостатності діагностичної інформації. Цей апарат дозволяє групувати контингент здобувачів вищої освіти за кластерами інтегративних індивідуальних характеристик, здійснювати диференціацію навчального матеріалу за різними параметрами, встановлювати індивідуальні траєкторії навчання, враховувати динаміку та можливості зміни траєкторії навчання здобувачів вищої освіти.

Актуальним є дослідження можливостей використання нейромережевих технологій для формування параметричних моделей здобувачів вищої освіти, які включають характеристики, що відображають особливості когнітивного розвитку здобувачів вищої освіти (рівень засвоєння знань, динаміку освіченості тощо), прогнозування оптимальних траєкторій навчання для конкретної особи, моделювання різних навчальних ситуацій, в яких виявляється процес не лише навчання, але й розвитку особистості. Реалізація цього підходу потребує створення комп'ютерних інтелектуальних дидактичних систем, які дозволять прогнозувати індивідуальні траєкторії навчання та здійснювати навчальний процес відповідно до них.

Однак специфіка застосування технологій нейронних мереж при формуванні індивідуальних траєкторій навчання та процес конструювання нейромережевих навчальних систем досліджено мало, що й обумовило актуальність теми дослідження [4-6]. Теоретичний аналіз виявив наступні протиріччя: між наявними освітніми можливостями інформаційних засобів навчання, сучасними технологіями штучного інтелекту та недостатньо широким їх використанням в індивідуальному навчанні здобувачів вищої освіти різних спеціальностей, у тому числі фізико-математичних; між потребою в дидактичних технологіях та засобах навчання, що забезпечують індивідуалізований підхід через формування індивідуальних траєкторій навчання здобувачів вищої освіти вищого навчального закладу, та неповнотою педагогічних досліджень дидактичного процесу та розробок технологій побудови моделей комп'ютерних навчальних систем, що використовують як засіб індивідуалізації навчання технології штучного інтелекту, зокрема нейромережеві технології; між наявністю потреби навчання здобувачів вищої освіти у вмінні самостійного конструювання комп'ютерних дидактичних засобів на основі нейромережевих технологій та недостатньою технологічною забезпеченістю цього дидактичного процесу. Ці протиріччя обумовили проблему дослідження, яка полягає в відсутності розробок індивідуалізації навчання через конструювання індивідуальних траєкторій здобуття та освоєння знань на основі використання можливостей комп'ютерних нейромережевих технологій в професійній підготовці здобувачів вищої освіти.

У процесі вирішення цієї проблеми було виявлено ряд підпроблем, суть яких полягає у необхідності визначення дидактичних можливостей технологій нейронних мереж; виявлення та обґрунтування закономірностей індивідуального підходу до навчання на основі дидактичних можливостей нейромережевих комп'ютерних технологій, що полягає в прогнозуванні, формуванні та реалізації індивідуальних траєкторій навчання здобувачів вищої освіти, спрямованих на їх когнітивний розвиток, враховуючи індивідуальні особливості здобувачів та забезпечуючих диференціацію навчального матеріалу; розробки технології індивідуального навчання здобувачів вищої освіти на основі конструювання індивідуальних траєкторій з використанням нейромережевої комп'ютерної навчальної системи; розробки моделі проектування нейромережевої комп'ютерної навчальної системи, що дозволяє індивідуалізувати процес навчання; розробки методики навчання здобувачів вищої освіти педагогічних спеціальностей конструюванню нейромережевих комп'ютерних навчальних систем [1-2, 7].

Аналіз останніх досліджень і публікацій. Українські вчені, такі як Краснощок І., Шаров С., Шарова Т., Ярмоленко, Т., Алєксєєва Г., Панченко, О., Крашеніннік І., Куравський Л., Мармалюк П., Панфілова А., Юр'єв Г., Дюмін П., а також дослідники з області штучного інтелекту та обробки інформації, активно досліджують можливості використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти. За допомогою цих технологій вони досліджують ефективність і можливості нейронних мереж у створенні індивідуальних траєкторій навчання, враховуючи кожного здобувача окремо [1-8, 10, 12-13]. Дослідження в цій області дозволяють розробляти інноваційні методи навчання та педагогічні стратегії, які сприяють підвищенню якості освіти та забезпечують більш ефективне навчання у закладах освіти. На основі останніх досліджень та публікацій можна зробити висновок, що використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти є перспективним напрямком досліджень [1-3, 9, 11]. Вчені активно працюють над вдосконаленням цих технологій та їх застосуванням у практиці освіти, щоб забезпечити більш ефективне індивідуальне навчання.

Мета статті - дослідження ефективності використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів з метою індивідуалізації навчального процесу вищої освіти.

Виклад основного матеріалу

Проблема індивідуалізації навчання та аспекти, пов'язані з можливістю застосування нових інтелектуальних інформаційних технологій у професійній освіті, були предметом аналізу вимог до створення інтелектуальних педагогічних програмних засобів. Під індивідуалізацією навчання розуміється навчально-виховний процес, структура якого будується з урахуванням індивідуальних особливостей здобувачів вищої освіти та спрямована на створення оптимальних умов для навчання та розвитку кожного з них [5-8].

Аналізуючи роботи, присвячені особистісно орієнтованому та розви- вальному навчанню, необхідно відзначити суттєві вимоги до комп'ютерних дидактичних засобів для індивідуалізації навчання: врахування освітніх запитів здобувачів вищої освіти та коригування змісту, форм і методів навчання відповідно до них; стимулювання постійної мотивації здобувачів вищої освіти, підкріпленої цілеспрямованістю, активними формами роботи, високою наочністю та своєчасним зворотним зв'язком; діагностика здобувачів вищої освіти перед початком роботи; орієнтація змісту навчального матеріалу на різні типи та рівні засвоєння; блочна або модульна структура системи; наявність динамічної моделі здобувача вищої освіти; постійний моніторинг дій та стану здобувача вищої освіти.

Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти є важливим напрямком у сучасній технічній сфері. Проведений аналіз підходів до використання інтелектуальних інформаційних технологій у навчальному процесі здобувачів вищої освіти вищої освіти свідчить про значний потенціал цих технологій як ефективного інструменту для індивідуалізації навчання. На основі цього підходу створюються нейронні мережі, які використовуються для прогнозування та розпізнавання образів, що дозволяє формувати індивідуальні траєкторії навчання здобувачів вищої освіти. В такому випадку нейромережева технологія передбачає побудову штучних нейронних мереж - математичних моделей біологічних нейронних мереж.

Аналіз тенденцій у розвитку комп'ютерних навчальних систем та можливостей нейромережевих технологій дозволяє сформулювати визначення нейромережевої навчальної системи як програмного засобу, який може адаптуватися до освітніх запитів здобувачів вищої освіти, відбирати зміст навчального матеріалу відповідно до їх освітніх запитів, будувати індивідуальні траєкторії навчання за допомогою апарату нейронних мереж та параметрично моделювати характеристики здобувачів вищої освіти вищої освіти. Переваги використання нейромережевої навчальної системи в навчальному процесі включають індивідуалізацію навчання в умовах масового навчального процесу, адаптацію процесу навчання до індивідуальних характеристик здобувачів вищої освіти, моделювання характеристик навчаючого, розвиток творчої активності та здібностей здобувачів вищої освіти вищої освіти у процесі навчання, можливість дистанційного навчання, самостійного навчання, планування та контролю процесу навчання, розвантаження викладача від трудомістких операцій, які не потребують творчих дій, можливість збору та аналізу статистики навчального процесу [7].

Використання нейромережевих технологій у навчальному процесі є перспективним напрямом розвитку сучасної технічної освіти. Ці технології дозволяють створювати складні параметричні моделі, які можуть адаптуватися до індивідуальних потреб здобувачів вищої освіти. Застосування нейромережевих алгоритмів у педагогічній практиці відкриває широкі можливості для створення індивідуальних підходів до навчання, що враховують різноманітність когнітивних, психологічних та освітніх потреб здобувачів вищої освіти. Це дозволяє побудувати навчальні програми та засоби, які здатні адаптуватися до рівня знань, інтересів та індивідуальних особливостей кожного здобувача. Такий підхід сприяє створенню навчального середовища, яке максимально враховує потреби та можливості кожного здобувача, сприяє підвищенню ефективності навчання та розвитку його потенціалу. Крім того, використання нейромережевих технологій дозволяє

викладачам отримувати об'єктивні дані про навчальний прогрес кожного студента, що допомагає вчасно виявляти проблемні аспекти та вживати відповідні корекційні заходи. Таким чином, застосування нейромережевих технологій в навчальному процесі сприяє покращенню якості освіти та підвищенню її доступності, створюючи умови для індивідуалізованого та ефективного навчання кожного здобувача.

Аналіз використання нейромережевих технологій у навчанні показує їх значний потенціал як ефективного засобу для індивідуалізації навчання. Висновок про педагогічну доцільність застосування цих технологій як інструменту індивідуалізованого навчання здобувачів вищої освіти робиться на основі результатів аналізу їх дидактичних властивостей. Індивідуалізація навчання досягається завдяки прогнозуванню та формуванню індивідуальних траєкторій навчання за допомогою комп'ютерних нейромережевих навчальних систем. Ці системи враховують індивідуальні особливості здобувачів вищої освіти і надають можливість оптимізувати навчальний процес для кожного з них окремо.

Застосування самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти відображається в процесі індивідуального підходу до навчання, який передбачає проведення таких етапів:оцінювання індивідуальних

характеристик здобувачів вищої освіти, класифікація контингенту за кластерами інтегрованих індивідуальних характеристик, різноманітна категоризація навчального матеріалу, а також створення індивідуальних траєкторій навчання [2-6]. Цей підхід включає розробку складу і структури нейромережевої навчальної системи, формування змісту навчальної дисципліни, створення моделі характеристик здобувачів вищої освіти, розробку етапів адаптації навчального процесу до індивідуальних потреб здобувачів вищої освіти, а також організацію індивідуальної траєкторії навчання [1, 3, 8].

Розробка нейромережевої комп'ютерної навчальної системи ґрунтується на ретельному аналізі та інтеграції комплексної функціональної моделі проектування навчально-інформаційного комплексу. Ця модель включає в себе низку ключових аспектів, серед яких зокрема, але не обмежуючись ними, важливість і точність змісту навчальної дисципліни, принциповий технологічний підхід до створення методик вивчення і освоєння знань, а також використання передових локальних дидактичних технологій. Крім того, враховується можливість ефективного використання інформаційних технологій, зокрема тих, що базуються на нейронних мережах, для досягнення максимальної ефективності та оптимальної адаптації до потреб користувачів (рис. 1).

Рис. 1. Функціональна модель проектування нейромережевої навчальної системи

Використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти включає наступні етапи: 1) проведення теоретичного та методичного аналізу вивченого вмісту навчальних матеріалів; 2) створення структури вивченої теорії навчальних матеріалів; 3) формування набору завдань, які відповідають вивченим темам; 4) тематичне планування навчального дисципліни відповідно до його програми; 5) вибір методів навчання залежно від змісту навчального матеріалу; 6) розробка моделі характеристик здобувача освіти; 7) розробка технології діагностики та контролю знань; 8) розробка технології індивідуального навчання, що базується на прогнозуванні та формуванні індивідуальної траєкторії навчання; 9) створення структури системи для навчання, визначення функцій структурних елементів та їх призначення для досягнення цілей та завдань навчальної діяльності; 10) програмна реалізація та коригування системи [5-9].

Застосування нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів освіти ґрунтується на концептуальній основі індивідуального навчання. Процедура прогнозування та формування індивідуальних шляхів навчання здобувачів вищої освіти базується на значеннях моделі характеристик здобувача. Функції модуля формування моделі включають проведення початкового психологічного тестування, визначення початкового рівня знань за навчальним курсом та самої моделі. На основі значень параметрів моделі здобувача, нейронна мережа, як інструмент індивідуальної комп'ютерно-орієнтованої системи, формує перший навчальний блок. Цей блок пов'язаний з блоком діагностики та контролю, що містить автоматизовану інтерактивну систему тестування. Блок забезпечує постійний

педагогічний моніторинг процесу виконання завдань навчального блока та динаміки зміни параметрів моделі здобувача освіти. Параметри оновленої моделі здобувача освіти подаються на вхід нейронної мережі, яка обирає наступний етап індивідуальної траєкторії навчання.

Використання нейронних мереж при прогнозуванні та формуванні траєкторії навчання надає можливість: використовувати результати навчання кожного наступного здобувача освіти для покращення структури нейронної мережі; автоматично налаштовувати коефіцієнти мережі для врахування динаміки змін траєкторії навчання різних груп здобувачів; адаптуватися до умов, які змінюються в процесі формування траєкторії; використовувати її потенціал для вирішення завдань формування індивідуальних траєкторій навчання в будь-якій предметній області.

Застосування самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти є актуальним напрямом досліджень у сфері комп'ютерної науки та штучного інтелекту. Основним завданням такого застосування є побудова системи, яка б забезпечувала ефективне навчання, враховуючи індивідуальні особливості кожного здобувач вищої освіти [4-7]. Основною перевагою використання нейронних мереж у цьому контексті є їх здатність адаптуватися до змінних умов та індивідуальних особливостей кожного здобувача вищої освіти [1-5, 8]. Крім того, така система дозволяє автоматично коригувати навчальний процес з урахуванням динаміки змін у рівні знань та інтересах здобувач вищої освіти.

Проектування і реалізація такої системи передбачає наступні етапи: аналіз потреб здобувачів вищої освіти, розробка моделі характеристик здобувач вищої освіти, побудова нейронної мережі для аналізу та обробки навчальних даних, інтеграція системи з інтерактивними навчальними середовищами. Таким чином, використання нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти є перспективним напрямом розвитку комп'ютерно-орієнтованих систем навчання. Розробка комп'ютерної навчальної системи, що базується на самоорганізованих нейронних мережах, включає кілька ключових етапів. Серед них варто відзначити процес конструювання системи, методику навчання здобувачів вищої освіти у контексті конструювання, а також технологію діагностики та контролю знань, що використовується у системі. Поряд із цим, значну увагу приділено експериментальному обґрунтуванню ефективності використання нейромережних технологій у процесі індивідуального навчання [4, 6, 8]. Процес конструювання навчальної системи, що ґрунтується на нейромережах, базується на функціональній моделі проектування, що включає виділення модулів системи, опис структури та алгоритму її функціонування. Представлення структури навчальної системи на основі нейромереж наведено на рис. 2.

Рис. 2. Структура комп'ютерної навчальної системи на основі самоорганізованих нейронних мереж

Технологія індивідуального навчання, яка базується на використанні самоорганізованих нейронних мереж, є важливим напрямом в сфері адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти [4-7, 10-11]. Ця технологія передбачає формування індивідуальної траєкторії навчання, яка оптимізується для кожного здобувача відповідно до його потреб та особливостей.

Розглянемо етапи конструювання такої траєкторії з використанням нейронних мереж у комп'ютерній навчальній системі. По-перше, важливо вибрати тип нейронної мережі, яка найкращим чином може вирішити завдання визначення наступної точки траєкторії навчання. Це визначається характеристиками конкретного навчального процесу та вимогами до адаптивності системи. По-друге, необхідно розробити структуру вхідних і вихідних векторів нейронної мережі. Це полягає у визначенні, які дані будуть введені в мережу (вхідні дані) і які результати має надати мережа після обробки цих даних (вихідні дані).

По-третє, потрібно розробити стратегії здобуття знань для основних кластерів, які визначені на початковому етапі взаємодії здобувачів освіти з навчальною системою. Це означає визначення методів і прийомів, які найбільш ефективно допоможуть здобувачеві засвоїти необхідні знання.

По-четверте, слід сформувати навчальний набір нейронної мережі, який базується на розроблених стратегіях. Це включає в себе створення набору навчальних прикладів, які будуть використовуватися для навчання мережі. І нарешті, останнім етапом є програмна реалізація нейронної мережі, що включає в себе розробку та впровадження алгоритмів, необхідних для функціонування системи.

Далі пропонується методика організації навчання здобувачів вищої освіти конструюванню індивідуальної комп'ютерно-орієнтованої системи. Під час вивчення та використання технології конструювання здобувачі вищої освіти формують не лише вміння володіти технікою алгоритмізації та програмування, але й професійні навички [1, 5-9]. Професійна компетентність викладача включає дидактичні, предметні та інформаційно-комунікаційні складові. На основі аналізу структури діяльності викладача під час конструювання та використання індивідуальних комп'ютерно-орієнтованих систем виявлено комплекс професійно значущих навичок, які формуються під час навчання конструюванням нейромережених навчальних систем. До них відносяться: вміння виконувати проектування; знання структури індивідуальних комп'ютерно-орієнтованих систем; знання дидактичних властивостей комп'ютерних навчальних систем; вміння формувати навчально- тренувальні завдання; вміння відбирати зміст навчального матеріалу; вміння вибирати форми подання навчального матеріалу [2-4].

Отримані результати підтверджують гіпотезу про використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти. Цей підхід сприяє ефективному навчанню, стимулює розвиток компетентностей та розширює дидактичні можливості комп'ютерних засобів навчання. Результати підтверджують, що індивідуальні траєкторії здобуття та освоєння знань, сформовані на основі цих технологій, дозволяють здобувачам вищої освіти ефективно вивчати матеріал, враховуючи їхні особисті потреби та можливості.

Електронні навчальні системи університетів використовують засоби для побудови індивідуальних траєкторій здобувачів освіти (здобувачів вищої освіти - h)) з урахуванням набуття ними необхідних компетенцій за спеціальностями. Вони аналізують результати навчання та рекомендують контент, використовуючи методи з теорії відповідей на завдання. Ці моделі оцінюють ефективність навчання та адаптують тестування до потреб користувачів. Траєкторія навчання залежить від класифікації користувачів в інформаційно-освітній системі університету за успішністю та надає різні шляхи для подальшого навчання [8-9].

Завдання класифікації здобувачів вищої освіти у вищій освіті є поширеним і вимагає використання математичних методів та інформаційних технологій. Наприклад, в системі дистанційного навчання часто використовується класичний байєсівський класифікатор для оцінки користувачів. Однак цей метод має свої недоліки, такі як потреба великого обсягу достовірних даних і чутливість до змін параметрів, що може призвести до зниження точності класифікації [8]. Крім того, він припускає збіг ймовірнісних характеристик різних груп здобувачів вищої освіти, що не завжди відповідає дійсності.

Байєсівський класифікатор ефективний, але його застосування потребує певних умов, інакше точність може знизитися. Мета цього дослідження - запропонувати спосіб класифікації здобувачів вищої освіти за допомогою електронного засобу навчання, уникнувши недоліків байєсівського класифікатора. Замість цього, використовується самонавчальна штучна нейронна мережа, зокрема, карта самоорганізації Кохонена, що є ефективним методом класифікації здобувачів вищої освіти в інформаційно-освітній системі університету.

У зв'язку з війною Росії проти України та можливим ускладненням очного навчання виникає необхідність у використанні онлайн-технологій для навчання. Запропонована модель передбачає розділення навчання на етапи з онлайн-заняттями, між якими проводяться очні контрольні заходи (T). Учні також виконують заочні контрольні завдання для оцінки свого прогресу.

Після кожного контрольного заходу здобувач вищої освітим присвоюються категорії залежно від їхніх набутих компетенцій: «неуспішний», «низький рівень», «середній рівень» та «високий рівень». Ці чотири категорії можуть бути такими k є K = (1,2,3,4), вони є основою для подальшого аналізу. Хоча можливо використовувати іншу кількість категорій залежно від потреб конкретного закладу та спеціальності, для цих розрахунків залишається сталим числом і визначеним значенням.

Згідно з запропонованим підходом, на кожному етапі навчання здобувач вищої освіти формується його освітня траєкторія та перелік необхідних компетенцій шляхом класифікації. Процес класифікації базується на результатах контрольних заходів, що відбуваються у процесі навчання. Часові моменти відзначаються. Використання цих категорій в системі управління навчанням допомагає визначити складність наступного етапу навчання та проведення контрольних заходів. Це гарантує, що контент контролю відповідає рівню підготовки здобувач вищої освіти та допомагає сформувати його індивідуальну траєкторію навчання для досягнення всіх необхідних компетенцій.

Моменти відзначаються t = 1,...,T. Використання цих категорій дозволяє визначити складність наступного етапу навчання та контрольного заходу, забезпечуючи відповідність контролю рівню підготовки та формування індивідуальної траєкторії для отримання необхідних компетентностей. Вважаємо, що для кожного t = 1,...,T задається значення

x_t є {test, credit, exam}, які відповідають типам контрольних заходів,

відповідно: test - тест за підсумками модуля або теми; credit - залік за підсумками освітньої компоненти; exam - контрольна (наприклад, модульна) робота. Рівень компетенцій кожного з H здобувачів вищої освіти у відповідний момент часу t = 1,..., T в інформаційно-освітній системі характеризується черговою оцінкою - e^h_T,h = 1,..., H . Тоді справедливо, що ця оцінка характеризуватиметься власною областю значень.

Згідно з пропонованим підходом, на кожному етапі навчання необхідно визначати категорію кожного здобувач вищої освіти на основі його результатів: «неуспішний», «низький рівень», «середній рівень» або «високий рівень». Ця категорія визначає складність наступного етапу навчання або контрольного заходу, що дозволяє адаптувати контент до рівня підготовки здобувач вищої освіти та формувати індивідуальну траєкторію навчання. Також, на кожному етапі навчання передбачено конкретний тип контрольного заходу: тестування за 100-бальною шкалою, залік, або контрольні роботи оцінюються відмітками «незадовільно», «задовільно», «добре» або «відмінно».

Таким чином, на кожному етапі навчання необхідно класифікувати здобувачів вищої освіти залежно від їхніх компетенцій [10]. Формалізація цього завдання в інформаційно-освітній системі університету виглядає наступним чином:

(К}Т=і}Н=і ^ {К}H=1,К є K,t = 1,...,T, (1)

При розгляді використання одновимірної самоорганізованої карти Кохонена в системі «Фаховість» для класифікації здобувачів вищої освіти за рівнем освіти чи компетентностями обґрунтовується вибір самоорганізованої карти Кохонена [11-13].

Побудова одновимірної самоорганізованої карти Кохонена для класифікації студентів у вищих навчальних закладах виправдована з кількох причин. По-перше, така модель ефективна, коли дані про студентів обмежені до конкурентної спеціальності. Використання складних нейронних мереж може призвести до перенавчання або недостатньої узагальнюючої здатності моделі, особливо при обробці обмеженого обсягу даних.

По-друге, одновимірна самоорганізована карта Кохонена дозволяє порівнювати результати навчання між різними групами студентів за різними академічними критеріями. Це допомагає виявити відмінності у компетентностях між групами студентів та адаптувати навчальні заходи відповідно до потреб кожної групи.

По-третє, одновимірна самоорганізована карта Кохонена може враховувати різні види контрольних заходів у навчальному процесі. Це дозволяє здобувачам освіти сприймати різні види оцінювання залежно від їхнього значення для організації навчального процесу.

Наостанок, така модель може адаптуватися до змін у даних або навчальній вибірці з часом, що робить її більш гнучкою та здатною до опрацювання змін у компетентностях студентів.

Отже, використання одновимірної самоорганізованої карти Кохонена є доцільним з погляду ефективності та гнучкості в класифікації здобувачів освіти [9, 11, 13]. Використання складніших моделей, таких як глибокі нейронні мережі, може призвести до перенавчання чи обмеженої узагальнювальної здатності. Тому самоорганізована карта Кохонена виявляється оптимальним варіантом, оскільки уникає зайвої складності. Крім того, самоорганізована карта Кохонена дозволяє порівнювати результати навчання між різними групами здобувачів вищої освіти за роками набору або академічними групами, що сприяє виявленню відмінностей в компетентностях між здобувач вищої освіти та аналізу навчального процесу. Також самоорганізовану карту Кохонена можна налаштувати для врахування різних типів контрольних заходів у навчальному процесі, що сприяє формуванню індивідуальної освітньої траєкторії здобувачів вищої освіти [10-12].

У різних університетах кількість кредитів для навчання може відрізнятися, але деякі дисципліни можуть мати логічний зв'язок. Наприклад, на спеціальності «Інженерія програмного забезпечення» можуть бути три взаємопов'язані дисципліни: «Основи програмування», «Об'єктно-орієнтоване програмування» та «Архітектура і проєктування програмного забезпечення». Розгляд цих дисциплін як одного компонента на одновимірній самоорганізованій карті Кохонена має декілька переваг. По-перше, вони мають логічну послідовність, що допомагає врахувати цю послідовність навчання. По-друге, кожна з цих дисциплін розвиває специфічні компетентності, що взаємопов'язані між собою. Такий підхід дозволяє враховувати динамічний характер моделі навчання, адаптуючи її до змін у даних або навчальній вибірці з часом.

Перший варіант самонавчання відрізняється від класичного застосуванням іншої функції нормування для визначення відстані між вхідними векторами та нейронами карти. Замість евклідової норми використовується функція, що відповідає одиничній матриці з симетричною невід'ємно визначеною матрицею. Це застосування спрощує процес масштабування позначок [10, 12-13]. У всіх варіантах ця матриця буде діагональною, а в першому варіанті на діагоналі (diag) будуть 100^-2, якщо відповідна величина x_t = test;1, x_t = test;5~², x_t = exam, а контрольні заходи -x_t є {test, credit, exam).

Аналогічні структури контрольних заходів можуть бути запропоновані і для інших спеціальностей. Отримаємо матрицю нормування:

де A = (1/100), B = 1, C = 1/5.

Обираємо конкретний момент часу t = 1,...,T і пов'язану з ним матрицю нормування - M_t = diag{M_X1...,M_tt}. Потім ми дотримуємося звичайного алгоритму. Позначимо через W матрицю ваг карти Кохонена розміром

4 х t,W_k -ий рядок цієї матриці. Причому кожен рядок цієї матриці Wявляє собою вектор ваг для k -го нейрона, тобто k = 1,2,3,4.

Тепер виконуємо послідовність ітерацій, які пронумеровані від 1 до I , тобто і = 1,...,I. На k -ій ітерації для кожного здобувач вищої освіти (h) послідовно знаходимо найближчий нейрон, скориставшись таким виразом [10-12]:

де ^Vt = ^(v1^h,...^{, V)} - вектор, який було складено на основі оцінок

здобувач вищої освіти - h у момент часу t = 1,...,T ; W_k(і) -- k -ий рядок, який ми беремо з матриці W для і -ої ітерації процесу [10, 13].

Потім для k -го нейрона обчислимо значення функції сусідства і коригуючи значення вектора ваг за допомогою системи виразів:

У даній системі рівнянь всі оцінки здобувачів вищої освіти, які вивчають спеціальність «Інженерія програмного забезпечення» (у нашому випадку), обробляються одночасно з однаковими параметрами навчання ст_і та П Це означає, що кожна оцінка враховується з однаковою вагою, не залежно від конкретного здобувача вищої освіти (h). Перехід до наступної ітерації відбувається після коригування матриці ваг з урахуванням всіх наявних оцінок здобувачів вищої освіти [11-13]. Вибір параметрів навчання може бути здійснений згідно з рекомендаціями, викладеними в попередніх дослідженнях, тобто:

У реальній системі можна замінити ці вирази значеннями cr_i = const = 1 і n₀ = 0,1, А = 1000 для тисячі ітерацій, тобто I = 1000.

У цьому варіанті алгоритму самонавчання враховується важливість різних типів контрольних заходів у спеціальності, наприклад, у галузі «Інженерія програмного забезпечення». Оцінка здобувач вищої освіти за підсумковий результат за окрему контрольну дію може мати більший вплив, ніж оцінка за звичайну контрольну роботу.

Перший варіант алгоритму може виникнути проблема в його реалізації. Основна проблема полягає у некоректній класифікації здобувачів освіти, якщо всі чотири категорії (категорія 1 - «неуспішний», категорія 2 - «низький рівень», категорія 3 - «середній рівень», категорія 4 - «високий рівень») відсутні в групі. Наприклад, якщо немає здобувачів вищої освіти із категорією "неуспішний", алгоритм може все одно призначити їх до всіх чотирьох категорій, не враховуючи відповідного контексту.

Проблема недостатнього урахування експертної оцінки категорій «неуспішний», «низький рівень», «середній рівень» і «високий рівень» алгоритмом може призвести до некоректного розподілу здобувачів освіти. Модифікація алгоритму за допомогою «експертних» траєкторій - (ET), що представляють ідеальні приклади здобувачів вищої освіти для кожної категорії, дозволить більш точно класифікувати здобувачів вищої освіти, враховуючи експертне розуміння понять категорій (k) [9, 11-13] .

Тоді відповідно до наших міркувань для прикладу, що був розглянутий вище, перепишемо «експертні» траєкторії (ET) для категорій k є K = (1,2,3,4):

- Експертна траєкторія (ET) для категорії 1 - «неуспішний»:

(ET )¹ = (25,25,25,25,0,2,25,25,25,0,2,25,25),

- Експертна траєкторія (ET) для категорії 2 - «низький рівень»:

(ET )² = (50,50,50,50,0,3,50,50,50,0,3,50,50),

- Експертна траєкторія (ET) для категорії 3 - «середній рівень»:

(ET )³ = (70,70,70,70,1,4,70,70,70,1,4,70,70),

- Експертна траєкторія (ET) для категорії 4 - «високий рівень»:

(ET )⁴ = (90,90,90,90,1,5,90,90,90,1,5,90,90).

Експертні траєкторії можуть використовуватися для початкової ініціалізації процесу ітерацій у першому варіанті алгоритму. У другому варіанті вони служать вхідними векторами для системи рівнянь.

У розглядуваному випадку, коли число категорій дорівнює чотирьом k є K = (1,2,3,4), кожна з чотирьох експертних траєкторій (ET_t^h)^k бере участь у i -й ітерації алгоритму. Кожна траєкторія повторюється 4 рази для всіх здобувачів вищої освіти на аналізованій освітній компоненті.

Третій варіант класифікації здобувачів вищої освіти враховує застаріння оцінок з трьох причин. По-перше, галузь інженерії програмного забезпечення постійно змінюється, і застарілі знання можуть бути неактуальними. По-друге, застарілі оцінки можуть вплинути на узгодженість навчання. По-третє, застарілі знання можуть знизити мотивацію здобувачів вищої освіти.

Фактор можна урахувати двома шляхами. Перший спосіб - обмеженням кількості врахованих оцінок. У цьому випадку використовується діагональна матриця M^1/2, де на головній діагоналі розташовані значення від 1 до (Ы₍ ). Це означає, що враховуються тільки останні оцінки (Ei_t ) , отримані здобувачем вищої освіти. Другий спосіб - використання параметра старіння та матриці нормування. Матриця обчислюється відповідно до такої формули [8-10, 12-13]:

Параметр визначає значимість останніх оцінок здобувача вищої освіти. Зменшення цього параметра веде до більшого врахування недавніх оцінок, що робить їх важливішими у порівнянні з раніше отриманими.

Результати класифікації в інформаційно-освітній системі університету за наведеними алгоритмами відповідають очікуванням, особливо ті, що отримані за допомогою матриці нормування. Вона враховує ваги контрольних заходів та підсилює значення заліку. Однак варто відзначити, що для різних здобувачів вищої освіти траєкторії можуть відрізнятися. В деяких випадках класифікатор не ураховує погіршення результатів через ефект «попередніх досягнень».

Висновки

Використання нейронних мереж у навчанні за допомогою створення індивідуальних траєкторій здобуття та освоєння знань забезпечує індивідуальний підхід до навчання. Це дозволяє розширити дидактичні можливості комп'ютерних засобів навчання та відповідати змісту, формам та методам навчання з урахуванням освітніх запитів здобувачів вищої освіти. Використання нейронних мереж дозволяє автоматично налаштовувати коефіцієнти для врахування динаміки змін траєкторії навчання, орієнтувати навчальний матеріал на різні типи та рівні освоєння, а також враховувати психологічні, особистісні якості та розвинені компетенції здобувачів вищої освіти.

Дослідження рекомендує відмовитися від використання статистики попередніх груп здобувачів вищої освіти на користь нейронних мереж, які можуть самоорганізовуватися. Використання карт Кохонена, з урахуванням суб'єктивних оцінок викладачів та адаптації до конкретної моделі навчання, дозволило ефективно вирішити завдання класифікації здобувачів вищої освіти в інформаційно-освітній системі університету. Такий підхід допомагає компенсувати недоліки статистичних методів та ефективно враховувати індивідуальні особливості здобувачів вищої освіти, забезпечуючи якість навчання відповідно до потреб зацікавлених сторін.

Розроблена і теоретично обґрунтована процедура прогнозування та формування індивідуальної траєкторії навчання здобувачів вищої освіти базується на диференціації навчального матеріалу за різними параметрами, динамічної моделі характеристик здобувача вищої освіти та можливостей нейронних мереж. Вона відображає освітні потреби та індивідуальні особливості здобувачів вищої освіти, враховує динаміку зміни траєкторій та забезпечує індивідуалізований підхід до навчання.

Запропонована технологія використання самоорганізованих нейронних мереж для адаптації навчальних матеріалів до індивідуальних потреб здобувачів вищої освіти розробляється відповідно до вимог інформатизації освіти. Вона забезпечує конструювання індивідуальних траєкторій здобуття та освоєння знань здобувачами вищої освіти, враховуючи їхні індивідуальні особливості в динамічній моделі характеристик. Ефективність цієї технології у навчальному процесі статистично підтверджується успішним освоєнням навчальних дисциплін.

Нейромережева навчальна система є інструментом індивідуального навчання здобувачів вищої освіти і базується на функціональній моделі проектування подібних систем. Функціональна модель інтегрує змістові, інформаційні, дидактичні та технологічні компоненти, використовуючи модель характеристик здобувача вищої освіти та можливості технологій нейронних мереж, що може служити теоретичною основою для створення нових інтелектуальних комп'ютерних дидактичних засобів.

Розроблена методика навчання конструювання нейромережевих навчальних систем для здобувачів вищої освіти спрямована на формування професійних вмінь та особистісних якостей, стимулює розвиток їхньої дидактичної, предметної та інформаційної компетентностей і включає такі етапи: вивчення основ конструювання інтелектуальних навчальних систем, зокрема нейромережевих; оволодіння нейромережевими технологіями як математичним апаратом побудови інтелектуальних систем; розробка моделі характеристик здобувача освіти; підготовка навчальних матеріалів для індивідуального навчання.

Література

1. Шаров С., Шарова Т. (2017). Формування індивідуальної освітньої траєкторії здобувач вищої освіти засобами інформаційної системи. Науковий вісник Мелітопольського державного педагогічного університету. No 2 (19). С. 149-154.

2. Краснощок І. П. (2018). Індивідуальна освітня траєкторія здобувач вищої освіти: теоретичні аспекти організації. Педагогіка формування творчої особистості у вищій і загальноосвітній школах : зб. наук. пр. / [редкол.: А.В. Сущенко (голов. ред.) та ін.]. Одеса : Видавничий дім «Гельветика». Вип. 60. Том 1. С. 101-107.

3. Kim K. (2008). Ubiquitous Learning Supporting System for Future Classroom in Korea / K. Kim // Proc. Soc. for Information Technology and Teacher Education Int'l Conf., K. McFerrin et al., eds. Mar. - Р. 2648-2657.

4. Ярмоленко, Т. А. (2023). Роль штучного інтелекту у формуванні цифрової грамотності здобувачів освіти. In The 10th International scientific and practical conference "Progressive research in the modern world"(June 22-24, 2023) BoScience Publisher, Boston, USA, 560 p. (p. 160).

5. Алєксєєва, Г. М., & Панченко, О. П. (2020). Формування м'яких навичок (soft skills) як складової технологічної компетентності майбутніх інженерів-педагогів засобами інтернет-технологій (Doctoral dissertation, Херсон: Видавництво ФОП Вишемирський В. С).

6. Крашеніннік, І. (2021). Модель формування фахових компетентностей майбутніх інженерів-програмістів в умовах скороченого циклу професійної підготовки в університетах. Науковий журнал Хортицької національної академії, (5), 25-34.

7. Онипченко, П. М., Павленко, М. А., Тимочко, О. І., & Бердник, П. Г. (2015). Аналіз методів складання розкладу занять для вдосконалення процесу підготовки льотного складу авіації Повітряних Сил Збройних Сил України. Системи обробки інформації, (12), 199-201.

8. Куравський Л. С., Марголіс А. А., Мармалюк П. А., Панфілова А. С., Юр'єв Г. А., Дюмін П. Н. (2016). Ймовірнісна модель адаптивного навчання // Прикладні математичні науки. Vol. 10. No. 48. P. 2369-2380.

9. Van der Linden W. J., Scrams D. J., Schnipke D.L., et al. (1999). Using response-time constraints to control for differential speededness in computerized adaptive testing // Appl. Psych. Meas. Vol. 23. No. 3. P. 195-210.

10. Кохонен Т. (2001). Самоорганізаційні карти.- Berlin, Heidelberg: Springer. 501 p.

11. Kohonen T. (1982). Самоорганізоване формування топологічно правильних карт ознак // Biol.Cybern. Vol. 43.P. 59-69.

12. Ritter H., Martinetz T., Schulten K. (1992). Нейронні обчислення та самоорганізаційні карти: вступ. - Reading, MA, USA: Addison-Willey, 306 p.

13. Kohonen T. (1997). Exploration of very lage database by self-organizing maps. International Conference on Neutral Networks Proceedings. - Piscataway, NJ, USA: IEEE, Vol. 1. P. PL1-PL6.

References

1. Sharov, S., & Sharova T. (2017). Formuvannia indyvidualnoi osvitnoi traiektorii studenta zasobamy informatsiinoi systemy [Formation of an individual educational trajectory of a higher education applicant by means of an information system]. Naukovyi visnyk Melitopolskoho derzhavnoho pedahohichnoho universytetu - Scientific Bulletin of Melitopol State Pedagogical University, 2 (19), 149-154 [in Ukrainian].