CC BY
76УДК 1
Пискунов Л.А.
Российский университет
АНАЛИЗ И ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ НА
ОСНОВЕ НЕЙРОННОЙ СЕТИ
Аннотация: в статье рассматривается анализ и прогнозирование успеваемости студентов на основе нейронной сети.
Ключевые слова: нейросети, студенты, образование.
Процесс познания и обучений у каждого студента происходит индивидуально. Поэтому порой стандартизированные методы образования, методика преподавания у преподавательского состава, оборудование и прочие факторы влияют на процесс образования у студента. Поэтому возникает необходимость в индивидуальной поддержке и предложению способов решения проблем к каждому студенту.
В настоящее время большинство групп учащихся теряют половину своего состава к 3 курсу обучения. Часть студентов переводится на другие факультеты или группы, другая часть отчисляется. Теряется множество потенциальных специалистов, которые в последствии могли бы принести пользу не только своему университету, но и стране в целом. Поэтому важно заранее прогнозировать, когда студент не успевает за учебным планом и пресекать подобные случаи своевременной поддержкой.
Прогнозирование успеваемости студентов по той или иной дисциплине позволяет сформировать индивидуальную траекторию работы обучаемого в семестре и тем самым повысить уровень их профессиональной подготовки.
Прогнозирование - научно обоснованное предсказание вероятностного развития событий или явлений на будущее на основе статистических, социальных, экономических и других исследований. Основная цель прогноза — это определить тенденции факторов, воздействующих на конъюнктуру отрасли. В качестве
инструментария прогнозирования чаще всего применяются формализованные количественные методы и методы экспертных оценок.
Существуют следующие основные группы методов прогнозирования успеваемости студентов:
- методы, основанные на регрессионных моделях,
- методы кластерного анализа,
- методы, основанные на дискриминантных моделях.
Методы, основанные на регрессионных моделях, например, позволяют выявить связь между уровнем знаний и умений студентов по общепрофессиональным и специальным дисциплинам в зависимости от обеспечивающих курсов с помощью многофакторной линейной регрессионной модели. Методы кластерного анализа позволяют производить разбиение объектов по целому набору признаков, в качестве которых могут выступать уровень начальных знаний студентов, уровень сформированных компетенций, количество пропусков занятий. Для каждого кластера определяются эталонные значения параметров как усредненные данные по каждой типологической группе студентов. Эталонные значения будут использованы в качестве центров будущих кластеров, вокруг которых группируются наиболее близкие объекты по значениям выбранных параметров. Методы, основанные на дискриминантных моделях, предполагают, что заранее необходимо определить, какие факторные признаки могут влиять на успеваемость студентов и использовать эти факторы для классификации студентов по успеваемости, а также для повышения качества подготовки путем корректировки основных признаков. Дискриминантная модель оптимально разделяет множество объектов на подмножества и проводит классификацию новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они принадлежат.
Однако данные методы не эффективны,так как поведение студентов бывает
иррациональным. И тут на помощь может придти искусственные нейронные сети — это
математические модели, построенные по принципу организации и функционирования
биологических нейронных сетей. Нейронные сети не программируются в привычном
403
смысле этого слова, они обучаются. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.
Однако метод основанный на нейронной сети хоть и является очень точным, но в то же время характеризуется высокой трудоемкостью и низким быстродействием.
Нейрон — это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Они делятся на три основных типа: входной (синий), скрытый (красный) и выходной (зеленый). В том случае, когда нейросеть состоит из большого количества нейронов, вводят термин слоя.
Соответственно, есть входной слой, который получает информацию, n скрытых слоев (обычно их не больше 3), которые ее обрабатывают и выходной слой, который выводит результат. У каждого из нейронов есть 2 основных параметра: входные данные (input data) и выходные данные (output data). В случае входного нейрона: input=output. В остальных, в поле input попадает суммарная информация всех нейронов с предыдущего слоя, после чего, она нормализуется, с помощью функции активации (пока что просто представим ее f(x)) и попадает в поле output.
СПИСОК ЛИТЕРАТУРЫ:
Литрес.рф
