УДК 004.032.26:37

Анализ технологий создания нейронных сетей для тестирования образовательных учреждений

Ромашов Николай Евгеньевич – аспирант Брянского государственного инженерно-технологического университета.

Аверченков Андрей Владимирович – доктор технических наук, доцент, профессор кафедры Информационных технологий Брянского государственного инженерно-технологического университета.

Аннотация: Статья посвящена критический анализ работ на тему технологий тестировании и оценки знаний учащихся. Рассматриваются основные идеи работ, их плюсы и минусы. По итогу предлагается выполнить дальнейшие исследования по данной тематике и разработать комплексных программных средств для эффективной оценки студентов с использованием методов машинного обучения.

Ключевые слова: нейронные сети, тестирование, высшие учебные заведения, анализ технологий.

В настоящее время образовательные учреждения сталкиваются с рядом сложностей, связанных с тестированием и оценкой знаний учащихся. Традиционные методы тестирования, основанные на бумажных форматах и ручной проверке, могут быть неэффективными, трудоемкими и подверженными ошибкам. Вместе с тем, появление новых технологий предоставляет возможности для автоматизации и оптимизации процесса тестирования. Изучение технологий создания нейронных сетей для тестирования образовательных учреждений становится все более актуальным. Нейронные сети, основанные на принципах искусственного интеллекта, становятся все более популярными инструментами в различных областях, включая образование. Их способность к обработке больших объемов данных и выявлению сложных закономерностей открывает новые возможности для создания систем тестирования, которые могут адаптироваться к индивидуальным потребностям учащихся и обеспечивать более точные результаты оценки знаний.

Тему улучшения и автоматизации процесса оценки студентов уже затрагивалась в работах других авторов. В работе Махныткиной О.В [1, с. 4], представлены новый подход к оценке компетентности и оптимизации информационных технологических образовательных систем и модели оценки компетентности, основанные на современных методах машинного обучения и анализа данных. Исследование также предлагает метод оптимизации ИТОС с использованием алгоритмов машинного обучения, что может помочь автоматизировать процесс улучшения ИТОС и сделать его более эффективным. Работа предлагает ряд направлений для дальнейшего исследования и развития, таких как улучшение модели оценки компетентности, применение других методов оптимизации или расширение исследования на другие образовательные области. Но помимо вышеперечисленных плюсов, работа имеет ряд недостатков. Одним из таких недостатков является ограничение в актуальности из-за постоянного обновления стандартов высшего образования и требований к оценке качества обучения студентов в высших учебных заведениях. Также в работе не предполагается разработка единого комплекса программных средств, посредством которой можно было бы осуществлять тестирование студентов, сбор данных для обучения и последующего улучшения качества модели нейронной сети, внесение корректировок в модель при изменении требований к тестированию в высших учебных заведениях.

В работе Николаевой Д.Р [2, c. 3], используются смешанные методы исследования, включающие как количественный, так и качественный анализ, что позволяет получить более полную картину и более глубокое понимание изучаемой темы. Работа направлена на создание индивидуальных учебных планов для каждого студента, учитывая его уровень знаний, интересы и учебные цели, что позволит студентам получать образование, наиболее соответствующее их потребностям, повышая эффективность обучения и мотивацию.

Из минусов данной работы можно выделить, что в работе не предполагается использование моделей машинного обучения и нейронных сетей, что могло бы сделать учебный процесс более адаптивным к требованиям высших учебных заведений и индивидуальным качествам студентов. Так же в работе присутствует неопределенность относительно разработки программного комплекса, который позволил бы получить более конкретную информацию о разрабатываемых программных средствах и их возможностях. Кроме того, в работе Николаевой Д.Р не упоминается анализ существующих образовательных платформ и технологий, что могло бы помочь в выявлении оптимальных и наиболее эффективных решений для индивидуализированного обучения студентов.

В работе Панфилова А.С [3, c. 3] предлагаются подходы по созданию индивидуальных учебных планов, которые помогут оптимизировать использование ресурсов, таких как время и учебные материалы. С их помощью студенты смогут уделять больше внимания тем аспектам образования, которые им наиболее необходимы, и не тратить время на изучение уже освоенных ими материалов, внося адаптивность в учебный процесс. Адаптивное обучения, позволит динамически адаптировать содержание и методы обучения в соответствии с индивидуальными потребностями студентов, что поспособствует более эффективному усвоению материала и повышает успеваемость студентов. Из минусов данного исследования можно выделить: ограниченный фокус исследования. Работа фокусируется главным образом на оценке компетенций студентов вузов и не рассматривает другие аспекты компетентностного подхода, такие как разработка учебных программ, организация образовательного процесса и т.д. Это ограничение может снизить полноту и обширность рассматриваемой темы. Помимо этого, в работе не проводится сравнение предложенных моделей и методик с уже существующими подходами оценки компетенций. Это могло бы помочь оценить преимущества и ограничения предложенных методов относительно уже применяемых в практике.

В работе Родионов А.В [4, c. 4], автор предлагает использование алгоритмов для автоматизации процесса оценки студентов, что позволит снизить субъективность и ошибки, связанные с ручным оцениванием, обеспечив тем самым более объективные результаты тестирования. Предлагаемые системы оценки включают в себя анализ различных параметров, такие как правильность ответов, время выполнения заданий и степень сложности, и предоставлять детальную обратную связь студентам. Помимо перечисленных преимуществ, работа имеет ряд недостатков. Например, ограниченность моделей оценки компетенций. В работе рассмотрены различные модели оценки компетенций, но не все аспекты их применимости и ограничения подробно рассмотрены. Некоторые модели могут быть ограничены в использовании только для определенных типов заданий или не учитывать все аспекты сформированности компетенций.

Подводя итог, можно сделать вывод, что данная тематика имеет потенциал для проведения собственных исследований в этой области, учитывая актуальные требований и стандарты высшего образования, а также разработать модель машинного обучения, которая будет способна учитывать и подстраиваться под требования высших учебных заведений и знания тестируемых студентов. Также необходимо разработать комплекс программных средств, который позволит эффективно выполнять и автоматизировать процесс оценки студентов. Это позволит создать более гибкую и адаптивную систему образования, соответствующую современным требованиям и потребностям студентов и образовательных учреждений, что позволит создать более гибкую и адаптивную систему образования, соответствующую современным требованиям и потребностям студентов и образовательных учреждений, что в конечном итоге повысит качество образования в целом.

Список литературы

1. Махныткина О.В. Моделирование и оптимизация индивидуальной траектории обучения студента: Автореф. дис.канд.тех.наук. – Новосибирск. 2013. – С.
2. Николаева Д.Р. Математическое моделирование оценивания профессиональных компетенций студентов в системе высшего образования: Автореф. дис.канд.тех.наук. – Тюмень. 2017, – С.
3. Панфилова А.С. Факторная модель принятия решений для тестирования способностей и компетенций: Автореф. дис.канд.тех.наук. – Москва. 2014. – С.
4. Родионов А.В. Разработка моделей, методов и программного обеспечения для оценки компетенций учащихся вузов: Автореф. дис.канд.тех.наук. – Иркутск. – С. 16.