Specificities of Using the Digital Footprint of Students in Artificial Intelligence Systems in Education
Abstract
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.
References
1. И. А. Кречетов, В. В. Романенко Реализация методов адаптивного обучения // Вопросы образования. 2020. № 2. С. 252–277.
2. Т. М. Шамсутдинова. Формирование индивидуальной образовательной траектории в адаптивных системах управления обучением // Открытое образование. 2021. Т. 25. № 6. С. 36–44.
3. 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.
4. C. Piech и др. Deep Knowledge Tracing., NIPS, 2015.
5. 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.
6. 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.
7. 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.
8. E. Pozdeeva и др. Assessment of Online Environment and Digital Footprint Functions in Higher Education Analytics // Education Sciences. 2021. Т. 11. № 6. С. 256.
9. С. М. Григорьев и др. Анализ сущности и содержания контроля успеваемости обучающихся // Национальная ассоциация ученых. 2015. № 4– 3 (9). С. 102–104.
10. M. Khalil, M. Ebner De-Identification in Learning Analytics // Learning Analytics. 2016. Т. 3. № 1.
11. C. Fachola и др. Federated Learning for Data Analytics in Education // Data. 2023. Т. 8. № 2. С. 43.
12. Т. А. Кустицкая и др. Цифровой след из LMS Moodle для прогнозирования результатов обучения // Информатизация образования и методика электронного обучения. 2022.
13. 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.
14. 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.
Review
For citations:
Dyachenko M.S. Specificities of Using the Digital Footprint of Students in Artificial Intelligence Systems in Education. SRISA Proceedings. 2023;13(1-2):69-73. (In Russ.)
Views:
19
Email this article 