Образовательная аналитика и адаптивное обучение с использованием модели студента в интеллектуальных обучающих системах

Для поддержки адаптивного обучения и образовательной аналитики в интеллектуальных обучающих системах необходимо собирать и обрабатывать данные об успеваемости студентов и их индивидуальных характеристиках. Это можно реализовать с помощью модели студента. Анализ подходов к моделированию студента показал оптимальным применение нескольких типов моделей, исходя из требований, составленных для разрабатываемой обучающей системы. Были выбраны и объединены в одну модель три подхода: оверлейный, сеть Байеса, моделирование ошибочных знаний. Использование оверлейной модели позволяет строить индивидуальные траектории обучения студентов. Сети Байеса реализуют компетентностный подход в обучении. Модель ошибок отслеживает ошибочные знания студентов и помогает им исправить их на ранних стадиях. Модель студента, объединяющая в себе данные подходы, является подходящей для реализации персонализированного обучения, позволяет преподавателю отслеживать успеваемость студентов по различным характеристикам, а также дает возможность легко представить в системе карту тем, знаний, компетентности студентов в различных областях в виде графа, что является удобным и понятным представлением.

интеллектуальная обучающая система, модель студента, компетенция, адаптивное обучение, образовательная аналитика, оверлейная модель, байесовская сеть, доменная модель

1. Konstantina Chrysafiadi, Maria Virvou. Student modeling approaches: A literature review for the last decade // Expert Systems with Applications. 2013. No 40. P. 4715–4729.

2. Буль Е.Е. Обзор моделей студента для компьютерных систем обучения // Educational Technology & Society. 2003. № 6 (4). С. 245–250.

3. Атанов Г.А., Пустынникова И.Н. Обучение и искусственный интеллект, или основы современной дидактики высшей школы. Донецк: Изд-во ДОУ, 2002. 504 с.

4. Клюкин В.Э. Web-ориентированные интеллектуальные обучающие системы на основе нечеткого деятельностного подхода в обучении // Наука и образование. 2012. № 11. С. 450–461.

5. Cristina Conati. Bayesian Student Modeling // Advances in Intelligent Tutoring Systems. 2010. No 308. P. 281–289.

6. Хлопотов М.В. Применение байесовской сети при построении моделей для оценки уровня сформированности компетенций // Интернет-журнал «НАУКОВЕДЕНИЕ». 2014. № 5 (24). С. 1–28.

7. Дзюбан Ю., Болдак Л. Анализ алгоритмов вывода в Байесовских сетях доверия. В кн.: Високопродуктивні обчислення. Междунар. конф., Киев, 8–10 октября 2012. С. 167–169.

8. The Neo4j Graph Platform. https://neo4j.com/product/

9. Cypher. URL: http://neo4j.com/docs/developer-manual/current/cypher/

10. Sigma.js. URL: http://sigmajs.org

11. Chart.js. URL: https://www.chartjs.org

12. D3.js - Data-Driven Documents. URL: https://d3js.org