Введение 3
Глава 1 Теоретические основы методов и технологий искусственного интеллекта для образования 8
1.1 Направления исследований искусственного интеллекта в сфере
образования 8
1.2 Обзор подходов к построению рекомендаторов 12
1.3 Алгоритмы и метрики точности рекомендаторов 22
Глава 2 Практическая реализация 34
2.1 Выбор языка программирования и цифровой среды для разработки
алгоритмического обеспечения рекомендатора персонального учебного контента 34
2.2 Реализация алгоритма рекомендательной системы для изучения
дисциплины 38
2.3 Реализация алгоритма рекомендательной системы по выбору массового
онлайн-курса 46
Глава 3 Анализ результатов 56
Заключение 61
Список используемой литературы 63
Приложение А Анкета 72
На сегодняшний день в развитие, внедрение и эволюцию технологий искусственного интеллекта (ИИ) вкладывают все больше денег и сил, т. к. ИИ стал неотъемлемой и вездесущей, хоть и не всегда явно видимой частью нашей жизни: от Siri до автоматизированной журналистики, от биржевых прогнозов до профилактики преступности, от распознавания лиц до медицинской диагностики и т.д. Необходимо заметить, что ИИ незаметно и прочно проник и в сферу образования [47]. Так называемые интеллектуальные, адаптивные или персонализированные системы обучения все чаще применяются как в школах, так и вузах по всему миру, собирают и анализируют огромные объемы данных (Big Data) и при этом существенно влияют как на процесс, так и качество обучения [21, 22, 37, 58].
На данный момент в национальной системе образования на всех уровнях, как и во всем мире, особо актуально решение проблемы проектирования персонального образовательного трека обучаемого, в том числе учебного контента с учетом его познавательных потребностей, что является одной из важных составляющих адаптивного обучения, которое определяет перспективные образовательные технологии и системы в условиях глобальной цифровой экономики. В этой связи, рекомендательные системы являются технологической составляющей в формировании персонального учебного контента обучаемого по дисциплине.
Анализ современного состояния проблемы исследования [2, 8, 12, 19, 22, 24, 33, 36, 41, 47, 58, 64] заключается в разрешении противоречия между существующим потенциалом систем рекомендаций для формирования индивидуального учебного контента обучаемого, т. е. его персонального образовательного трека по дисциплине, и недостаточным уровнем программно-алгоритмической реализации рекомендаторов в системе национального образования.
В этой связи, в настоящей работе исследуется следующий аспект: разработка прототипа РС, который опираясь на данные о результатах итогового тестирования обучаемых по некоторой дисциплине, может использоваться в формировании персонального учебного контента для обучаемого. Также, такая система сможет рекомендовать существующие массовые онлайн-курсы (МООК), основываясь на соответствующих исходных учебных данных студента по дисциплине.
Цель работы — разработка алгоритмического обеспечения прототипа рекомендательной системы на основе методов и технологий машинного обучения для формирования персонального учебного контента обучаемого, основываясь на анализе его итоговых учебных данных по дисциплине.
Объект исследования — рекомендательная система для формирования персонального учебного контента обучаемого по дисциплине.
Предмет исследования — алгоритмическое обеспечение прототипа рекомендательной системы на основе методов и технологий машинного обучения.
Для достижения вышеуказанной цели были поставлены следующие задачи:
1. Анализ влияния методов и технологий ИИ, в частности рекомендательных систем, на формирование учебного контента.
2. Аналитический обзор подходов к построению рекомендательных систем.
3. Изучить алгоритмы построения рекомендательных систем и необходимые библиотеки языка программирования Python для их разработки.
4. Выявить возможную конфигурацию библиотек анализа данных и машинного обучения Python для реализации систем рекомендации.
5. Разработать алгоритмическое обеспечение рекомендательной системы на языке программирования Python и ее прототип.
6. Экспериментально проверить результативность применения разработанного прототипа системы рекомендации в учебном процессе....
В заключение необходимо отметить, что в контексте данной научной работы исследованы методы и технологии ИИ, выявлен их потенциал для создания учебного контента по дисциплине с целью формирования персонального образовательного трека обучаемого на основе его итоговых учебных данных по дисциплине. Так же рассмотрены основные виды рекомендательных систем и принципы их построения для систематизации учебного контента обучаемого и формирования персонального учебного контента обучаемого.
В результате проведения исследования в рамках магистерской диссертации разработан прототип рекомендатора персонального учебного контента обучаемого. Так же представлена функциональную модель прототипа разработанного рекомендатора, разработаны схемы и алгоритмическое обеспечение РС по успеваемости обучаемого и выбору МООК.
Описан функционал прототипа рекомендатора персонального учебного контента:
• Формирование перечня тем по каждому обучаемому с процентом освоения.
• Формирование перечня тем дисциплины, которые необходимо изучить.
• Прогнозирование паттерна успешного освоения соответствующих тем/ разделов/ модулей для освоения дисциплины
• Прогнозирование паттерна разделов или модулей или тем дисциплины, которые вызывают затруднения у большинства обучаемых.
• Формирование подборки необходимых МООК студенту для успешного освоения дисциплины.
Предлагается внедрить систему рекомендаций в блок контроля и диагностики электронного учебно-методического комплекса дисциплины, что позволит формировать персональный учебный контент обучаемого.
Область применения: прототип рекомендательной системы
ориентирован в большей степени на интеграцию с мультимедийным электронным учебно-методическим комплексом дисциплины, а именно внедрить систему рекомендаций в его блок контроля и диагностики, что позволит формировать персональный учебный контент обучаемого.
Основные характеристики: прототип рекомендательной системы разработан на языке программирования Python; для хранения и анализа данных используется система файлов в формате *.CSV.
Основная метрика оценки прототипа рекомендатора с целью формирования персонального контента обучаемого - уровень востребованности и значимости для преподавателя так называемого непосредственного пользователя подобных систем в учебном процессе. Результаты анкетирования ППС позволяют констатировать значимость и практическую полезность применения ре- комендатора в образовательном процессе с целью повышения качества обучения.
В перспективе планируется интеграция разработанного прототипа рекомендательной системы с мультимедийным электронным учебнометодическим комплексом дисциплины.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
