Автоматическая коррекция индивидуальной образовательной траектории в адаптивных системах обучения на основе композитного подхода
Main Article Content
Аннотация
В условиях расширения применения адаптивных курсов в системе высшего образования актуальной становится проблема ранней идентификации отстающих студентов и автоматической коррекции их индивидуальной образовательной траектории. Существующие методы идентификации отстающих студентов не проводят глубокого анализа индивидуализированного подхода к обучению, используемого студентом. Применяемые обобщенные алгоритмы адаптивного обучения напрямую не решают задачу идентификации отстающих студентов, что может привести к позднему их обнаружению, когда уже нет возможности скорректировать подход к обучению для успешного завершения курса такими студентами.
Разработаны алгоритмы выявления отставания студента при освоении учебной дисциплины, основанные на прогнозировании результатов индивидуализированного обучения с использованием модели предметной области. Предложены также алгоритмы автоматической коррекции индивидуальной образовательной траектории, которые, в отличие от существующих подходов, формируют индивидуальную образовательную технологию для обеспечения успешного завершения учебного курса. Эти алгоритмы могут быть внедрены в существующие адаптивные системы обучения для повышения доли студентов, успешно завершивших обучение на адаптивных курсах.
Article Details
Библиографические ссылки
2. Whitehill J., Mohan K., Seaton D., Rosen Y., Tingley D. Delving Deeper into MOOC Student Dropout Prediction, arXiv:1702.06404 [cs.AI], 2017. https://doi.org/10.48550/arXiv.1702.06404
3. Dass S., Gary K., Cunningham J. Predicting Student Dropout in Self-Paced MOOC Course Using Random Forest Model // Information. 2021. Vol. 12, 476. https://doi.org/10.3390/info12110476
4. Anh B.N., Giang N.H., Hai N.Q., Minh T.N., Son N.T., Chien B.D. An University Student Dropout Detector Based on Academic Data // 2023 IEEE Symposium on Industrial Electronics & Applications (ISIEA), Kuala Lumpur, Malaysia, 2023. P. 1–8. https://doi.org/10.1109/ISIEA58478.2023.10212223
5. Shohag S.I., Bakaul M.A. Machine Learning Approach to Detect Student Dropout at University // International Journal of Advanced Trends in Computer Science and Engineering. 2021. Vol. 10, No. 6. https://doi.org/10.30534/ijatcse/2021/041062021
6. Oancea B., Dragoescu R., Ciucu S. Predicting Students’ Results in Higher Education Using Neural Networks // International Conference on Applied Information and Communication Technologies (AICT2013), 25–26 April, 2013, Jelgava, Latvia https://llufb.llu.lv/conference/AICT/2013/Oancea_AICT2013.pdf (date of appeal: 25.06.2026)
7. Leonov A.G., Matyushin M.A., Dyachenko M.S. А neural network-based approach to a priori assessment of the student academic performance in the Мirera digital learning platform // Uspekhi kibernetiki. 2021. Vol. 2, No. 4. P. 49–59. https://doi.org/10.51790/2712-9942-2021-2-4-5
8. Mashchenko K.A. Signature Methods for Time Series Analysis. Russian Digital Libraries Journal. 2025. Vol. 28, No. 3. P. 681-700. (In Russ.). https://doi.org/10.26907/1562-5419-2025-28-3-681-700
9. Diachenko M.S., Leonov A.G. Solving the problem of automating the learning process through experimental search for an individual educational trajectory // Informatics and education. 2024. Vol. 39, No. 4. P. 14–26 (In Russ.). EDN: BMEVBI. https://doi.org/10.32517/0234-0453-2024-39-4-14-26
10. Karmanova E.V., Zakharova Ya.M., Kiselev A.V. Educational data mining in a university using LMS Moodle // Informatics and Education. 2024. Vol. 39, No. 3. P. 16–28. (In Russ.) https://doi.org/10.32517/0234-0453-2024-39-3-16-28
11. Leonov A.G., Mashchenko K.A., Tarasova E.Yu. Novaya arkhitektura obrazovatel’nykh platform v epokhu tsifrovoi transformatsii: paradigmy nolms i smart lms // Trudy NIISI. 2025. T. 15, № 2. S. 54–59. (In Russ.) https://doi.org/10.25682/NIISI.2025.2.0007
12. Dahal, P., Nugroho, S., Schmidt, C., Sänger, V. AI-Based Learning Recommendations: Use in Higher Education // Future Internet. 2025. Vol. 17, No. 7. https://doi.org/10.3390/fi17070285
13. Vasil’ev I.A., Karavaeva A.S., Leonov A.G. et al. O novovvedeniyakh v tsifrovoi obrazovatel’noi platforme Mirera // Trudy NIISI RAN. 2023. T. 13, № 4. S. 127–134. (In Russ.). https://doi.org/10.25682/NIISI.2023.4.0018
14. Vainshtein Yulia V. Pedagogical Design of Personalized Adaptive Subject Learning for University Students in the Context of Digitalization. Doctoral dissertation, Siberian Federal University, 2021 (In Russ.).
15. Krechetov I.A., Romanenko V.V. Implementing the adaptive learning techniques // Educational Studies. Moscow. 2020. No. 2. P. 252–277 (In Russ.). EDN: KYNIIH. https://doi.org/10.17323/1814-9545-2020-2-252-277
16. Piech C., Bassen J., Huang J. et al. Deep Knowledge Tracing // Proc. 28th Int. Conf. Neural Information Processing Systems (NIPS 2015)). 2015. No. 1. P. 505–515
17. AdaptKT: A Domain Adaptable Method for Knowledge Tracing / S. Cheng, Q. Liu, E. Chen et al. // Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining: WSDM ’22. New York, NY, USA: Association for Computing Machinery, 2022. AdaptKT. P. 123–131.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.