Особенности использования цифрового следа обучающихся в системах искусственного интеллекта в образовании
Аннотация
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.
Список литературы
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.
Рецензия
Для цитирования:
Дьяченко М.С. Особенности использования цифрового следа обучающихся в системах искусственного интеллекта в образовании. Труды НИИСИ. 2023;13(1-2):69-73.
For citation:
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.)
Просмотров:
16
Послать статью по эл. почте 