trudyniisiТруды НИИСИSRISA Proceedings2225-73493033-6422НИЦ «КУРЧАТОВСКИЙ ИНСТИТУТ» - НИИСИtrudyniisi-52Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В УЧЕБНОЙ ИНФОРМАТИКЕINFORMATION TECHNOLOGY IN EDUCATIONAL INFORMATICSОсобенности использования цифрового следа обучающихся в системах искусственного интеллекта в образованииSpecificities of Using the Digital Footprint of Students in Artificial Intelligence Systems in EducationДьяченкоМ. С.DyachenkoM. S.

Москва

mdyachenko@niisi.ruФГУ ФНЦ НИИСИ РАНРоссия202316102025131-26973Copyright © Дьяченко М.С., 20252025Дьяченко М.С.Dyachenko M.S.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.t-niisi.ru/jour/article/view/52

В статье рассмотрены особенности сбора и использования данных цифрового следа обучающихся на этапах внедрения новых учебных технологий на основе искусственного интеллекта. Исследуемые особенности характерны для разработки решений, требующих большого объёма предварительно накопленных данных цифрового следа обучающихся. Рассмотрены вопросы ускорения накопления данных, обезличивания данных цифрового следа обучающихся, вопрос обучения модели по федеративной схеме без извлечения данных, рассмотрены схемы исследований без достаточного объема данных, а также подходы к адаптации внедренных решений при переносе их между учебными заведениями или предметными областями.

The article discusses the features of collecting and using digital footprint data of students at the stages of introducing new educational technologies based on artificial intelligence. The studied specificities are common for the development of solutions that require a large amount of pre-accumulated data of the digital footprint of students. The issues of accelerating data accumulation, depersonalization of the digital footprint of students, the issue of using a federated learning without data extraction, research and development schemes without a sufficient amount of data, as well as approaches to adapting implemented solutions when transferring them between educational institutions or subject areas are considered.

цифровой след обучающихсяинтеллектуальные системы обучениямашинное обучениеобезличивание цифрового следа обучающихсяадаптация решений ИИdigital footprint of studentsintelligent learning systemsmachine learningdepersonalization of the digital footprint of studentsAI solutions adaptationReferencesИ. А. Кречетов, В. В. Романенко Реализация методов адаптивного обучения // Вопросы образования. 2020. № 2. С. 252–277.И. А. Кречетов, В. В. Романенко Реализация методов адаптивного обучения // Вопросы образования. 2020. № 2. С. 252–277.Т. М. Шамсутдинова. Формирование индивидуальной образовательной траектории в адаптивных системах управления обучением // Открытое образование. 2021. Т. 25. № 6. С. 36–44.Т. М. Шамсутдинова. Формирование индивидуальной образовательной траектории в адаптивных системах управления обучением // Открытое образование. 2021. Т. 25. № 6. С. 36–44.В. А. Шершнева, Ю. В. Вайнштейн, Т. О. Кочеткова. Адаптивная система обучения в электронной среде // Программные системы: теория и приложения. 2018. Т. 9. № 4 (39). С. 159–177.В. А. Шершнева, Ю. В. Вайнштейн, Т. О. Кочеткова. Адаптивная система обучения в электронной среде // Программные системы: теория и приложения. 2018. Т. 9. № 4 (39). С. 159–177.C. Piech и др. Deep Knowledge Tracing., NIPS, 2015.C. Piech и др. Deep Knowledge Tracing., NIPS, 2015.W. Zhao и др. A novel framework for deep knowledge tracing via gating-controlled forgetting and learning mechanisms // Information Processing & Management. 2023. Т. 60. № 1. С. 103-114.W. Zhao и др. A novel framework for deep knowledge tracing via gating-controlled forgetting and learning mechanisms // Information Processing & Management. 2023. Т. 60. № 1. С. 103-114.Q. Liu и др. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction // IEEE Transactions on Knowledge and Data Engineering. 2021. Т. 33. № 1. С. 100–115.Q. Liu и др. EKT: Exercise-Aware Knowledge Tracing for Student Performance Prediction // IEEE Transactions on Knowledge and Data Engineering. 2021. Т. 33. № 1. С. 100–115.М. С. Дьяченко, А. Г. Леонов. Архитектура учебной системы с индивидуализацией обучения на основе накопленных данных результатов автоматизированной проверки заданий // Успехи кибернетики. 2023. Т. 4. № 1(13). С. 39–48.М. С. Дьяченко, А. Г. Леонов. Архитектура учебной системы с индивидуализацией обучения на основе накопленных данных результатов автоматизированной проверки заданий // Успехи кибернетики. 2023. Т. 4. № 1(13). С. 39–48.E. Pozdeeva и др. Assessment of Online Environment and Digital Footprint Functions in Higher Education Analytics // Education Sciences. 2021. Т. 11. № 6. С. 256.E. Pozdeeva и др. Assessment of Online Environment and Digital Footprint Functions in Higher Education Analytics // Education Sciences. 2021. Т. 11. № 6. С. 256.С. М. Григорьев и др. Анализ сущности и содержания контроля успеваемости обучающихся // Национальная ассоциация ученых. 2015. № 4– 3 (9). С. 102–104.С. М. Григорьев и др. Анализ сущности и содержания контроля успеваемости обучающихся // Национальная ассоциация ученых. 2015. № 4– 3 (9). С. 102–104.M. Khalil, M. Ebner De-Identification in Learning Analytics // Learning Analytics. 2016. Т. 3. № 1.M. Khalil, M. Ebner De-Identification in Learning Analytics // Learning Analytics. 2016. Т. 3. № 1.C. Fachola и др. Federated Learning for Data Analytics in Education // Data. 2023. Т. 8. № 2. С. 43.C. Fachola и др. Federated Learning for Data Analytics in Education // Data. 2023. Т. 8. № 2. С. 43.Т. А. Кустицкая и др. Цифровой след из LMS Moodle для прогнозирования результатов обучения // Информатизация образования и методика электронного обучения. 2022.Т. А. Кустицкая и др. Цифровой след из LMS Moodle для прогнозирования результатов обучения // Информатизация образования и методика электронного обучения. 2022.Н.Д. Барсуков и др. Анализ активности студентов на курсах онлайн-обучения на основе логов платформы «OpenEdu» // Труды Института системного программирования РАН. 2020. Т. 32. № 3. С. 91–100.Н.Д. Барсуков и др. Анализ активности студентов на курсах онлайн-обучения на основе логов платформы «OpenEdu» // Труды Института системного программирования РАН. 2020. Т. 32. № 3. С. 91–100.S. Cheng и др. AdaptKT: A Domain Adaptable Method for Knowledge Tracing // Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining WSDM ’22. New York, NY, USA: Association for Computing Machinery, 2022. С. 123–131.S. Cheng и др. AdaptKT: A Domain Adaptable Method for Knowledge Tracing // Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining WSDM ’22. New York, NY, USA: Association for Computing Machinery, 2022. С. 123–131.

The authors declare that there are no conflicts of interest present.