Регистрация / Вход
Прислать материал

14.577.21.0135

Аннотация скачать
Постер скачать
Общие сведения
Номер
14.577.21.0135
Тематическое направление
Информационно-телекоммуникационные системы
Исполнитель проекта
федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный технический университет имени Н.Э.Баумана (национальный исследовательский университет)"
Название доклада
Разработка методов и алгоритмов, обеспечивающих количественную оценку метапредметных и метакогнитивных навыков и умений на основе применения методов искусственного интеллекта при анализе данных о поведении обучаемых.
Докладчик
Карпенко Анатолий Павлович
Тезисы доклада
Цели и задачи исследования
Исследование и разработка комплекса научно-технических решений, направленных на создание системы количественной оценки метапредметных и метакогнитивных навыков и умений на основе применения методов искусственного интеллекта при анализе данных о поведении обучаемых.
Актуальность и новизна исследования
Федеральный государственный образовательный стандарт выделяет три уровня результатов образования: личностные, предметные, метапредметные. Под последними понимаются результаты освоения учащимся универсальных учебных действий, обеспечивающих владение ключевыми компетенциями, составляющими основу умения учиться, а также результаты освоения межпредметных понятий (метапонятий). Метапредметные компетенции учащегося являются составной частью его метакомпетенций, которые включают в себя также метакогнитивные и метакреативные компетенции. Комплексные алгоритмические и программные решения, обеспечивающие оценку метакомпетенций учащихся, в настоящее время неизвестны.
Описание исследования

В исследовании использованы следующие типы машинного обучения: обучение с учителем; обучение без учителя; обучение с частичным привлечением учителя; обучение с подкреплением (генетические алгоритмы); активное обучение; многозадачное обучение.

‑ Обучение с учителем (классификация). В качестве классификаторов используем следующие алгоритмы: логистическая регрессия; искусственные нейронные сети; метод опорных векторов; метод ближайших соседей.

‑ Обучение без учителя (кластеризация). Для кластеризации используется метод k-means (алгоритм Hartigan-Wong) и, на выбор, заданное пользователем число кластеров или число кластеров, определенное автоматически.

‑ Обучение с частичным привлечением учителя. Используется метод self-training, основная идея которого заключается в следующем: неразмеченные данные, классифицированные с высокой степенью уверенности, добавляют к первоначальной обучающей выборке, после чего классификатор обучается на пополненной выборке.

‑ Обучение с подкреплением (генетические алгоритмы) реализовано в виде многоцелевой оптимизации, применяемой для обучения классификатора, основанного на методе опорных векторов. В ходе оптимизации одновременно настраиваются тип ядра и параметры модели. При этом используется генетический алгоритм (NSGA-II и другие).

‑ Активное обучение. Используется подход Uncertainty Sampling: сомнительные случаи, когда наблюдение может принадлежать сразу нескольким классам, предъявляются эксперту для разметки. После разметки эти наблюдения помещаются в обучающую выборку и классификатор переобучается.

‑ Многозадачное обучение реализовано в виде многозадачного метода kNN.

Результаты исследования

В работе получены следующие основные теоретические результаты.

1. Математическая модель количественной оценки метапредметных и метакогнитивных навыков и умений обучаемых на основе анализа форм поведения пользователей в различных обучающих средах.

2. Математическая модель классификации обучающихся на основе их познавательных стилей и способов мышления с целью формирования предметно ориентированных групп обучаемых.

3. Математическая модель формирования образовательных групп обучаемых, основанная на их погружении в синергетическую ситуацию.

4. Математическая модель типологии форм поведения пользователей в образовательных средах.

5. Алгоритм количественной оценки метапредметных и метакогнитивных навыков и умений обучаемых на основе анализа форм поведения пользователей в различных обучающих средах.

6. Алгоритм классификации обучаемых на основе познавательных стилей и способов мышления с целью формирования предметно ориентированных групп обучающихся.

7. Алгоритм формирования образовательных групп обучаемых, основанный на погружении обучаемых в синергетическую ситуацию.

8. Алгоритм типологии форм поведения пользователей в образовательных средах.

Указанные математические модели, методы и алгоритмы реализованы в экспериментальном образце программного комплекса автоматизированной количественной оценки метапредметных, метакогнитивных и метакреативных навыков и умений на основе анализа моделей поведения пользователей в различных обучающих средах (ЭО ПК АКО).

 

Практическая значимость исследования
теоретические и практические результаты исследования могут быть использованы в срденей и высшей школе, а также в кадровых агентствах крупных компаний.