АНАЛИЗ ИССЛЕДОВАНИЙ ПО ПРИМЕНЕНИЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ВЫСШЕМ ОБРАЗОВАНИИ Текст научной статьи по специальности «Науки об образовании»

АНАЛИЗ ИССЛЕДОВАНИЙ ПО ПРИМЕНЕНИЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ВЫСШЕМ ОБРАЗОВАНИИ Мухамадиева Кибриё Бахадировна, соискатель Бухарский инженерно-технологический институт, Узбекистан

Согласно различным международным отчетам, искусственный интеллект в образовании является одной из новых областей в образовательных технологиях. Несмотря на то, что он существует уже около 30 лет, преподавателям все ещё неясно, как извлечь из него педагогическое преимущество в более широком масштабе и как он может реально повлиять на преподавание и обучение в высших учебных заведениях. Эта статья представляет собой анализ исследований по применению ИИ в высшем образовании. Выводы отражают почти полное отсутствие критического отражения проблем и рисков, слабую связь с теоретическими педагогическими перспективами и необходимость дальнейшего изучения этических и образовательных подходов в применении в высшем образовании.

Ключевые слова: образование, искусственный интеллект, дистанционное образование, перспектива самообучения, управление обучения

Введение

Применение искусственного интеллекта (ИИ) в образовании набирает обороты, и в последние пару лет им уделялось много внимания. Применение ИИ в образовании было предметом исследований около 30 лет. Однако в более широком плане преподаватели только начали изучать потенциальные педагогические возможности, которые приложения ИИ предоставляют для поддержки учащихся на протяжении жизненного цикла учащихся.

Несмотря на огромные возможности, которые ИИ может предоставить для поддержки преподавания и обучения, новые этические последствия и риски возникают с разработкой приложений ИИ в высшем образовании.

Область искусственного интеллекта возникла из информатики и инженерии, но на нее сильно влияют другие дисциплины, такие как философия, когнитивная наука, нейробиология и экономика. В целях нашего анализа искусственного интеллекта в высшем образовании желательно уточнить терминологию. Таким образом, в следующем разделе мы исследуем определения ИИ в образовании, а также элементы и методы, которые приложения ИИ могут повлечь за собой в высшем образовании, прежде чем приступить к систематическому обзору литературы.

ИИ в образовании

Изучение искусственного интеллекта должно продолжаться на основе предположения, что каждый аспект обучения или любая другая характеристика интеллекта в принципе может быть описана с такой точностью, что можно создать машину для его моделирования. Будет предпринята попытка найти, как заставить машины использовать язык, формировать абстракции и концепции, решать виды проблем, которые теперь остаются за

людьми, и улучшать себя.

Компьютеры, которые выполняют когнитивные задачи, обычно связанные с человеческим разумом, в частности, обучение и решение проблем. ИИ не описывает ни одной технологии. Это общий термин для описания ряда технологий и методов, таких как машинное обучение, обработка естественного языка, интеллектуальный анализ данных, нейронные сети или алгоритм[1-3].

ИИ и машинное обучение часто упоминаются одновременно. Машинное обучение - это метод искусственного интеллекта для контролируемой и неконтролируемой классификации и профилирования, например, для прогнозирования вероятности того, что студент бросит курс или будет принят на программу, или для определения тем в письменных заданиях. Мы предполагаем что, машинное обучение «как подполе искусственного интеллекта, которое включает программное обеспечение, способное распознавать закономерности, делать прогнозы и применять вновь обнаруженные закономерности к ситуациям, которые не были включены или охвачены их первоначальным дизайном».

Учитывая такое понимание ИИ, каковы потенциальные области применения ИИ в образовании и, в частности, в высшем образовании? Исследователи описывают три категории программных приложений ИИ в образовании, которые доступны сегодня: а) личные тьюторы, б) интеллектуальная поддержка для совместного обучения и в) интеллектуальная виртуальная реальность.

Интеллектуальные системы обучения (ИСО) можно использовать для моделирования индивидуальных персональных занятий. На основе моделей, алгоритмов и нейронных сетей учащегося они могут принимать решения о пути обучения отдельного учащегося и выбранном контенте, обеспечивать когнитивную основу и помощь, чтобы вовлечь учащегося в диалог. ИСО обладают огромным потенциалом, особенно в крупных учебных заведениях дистанционного обучения, в которых используются модули с тысячами учеников, где индивидуальное обучение людей невозможно. Огромное количество исследований показывает, что обучение - это социальное упражнение; взаимодействие и сотрудничество лежат в основе процесса обучения. Однако онлайн-сотрудничество необходимо поддерживать и модерировать, может способствовать совместному обучению, поддерживая формирование адаптивных групп на основе моделей учащихся, облегчая групповое взаимодействие в сети или обобщая дискуссии, которые могут использоваться преподавателем-человеком, чтобы направлять студентов к целям и задачам курса. Наконец, также опираясь на ИСО, интеллектуальная виртуальная реальность используется для вовлечения и обучения студентов в аутентичной виртуальной реальности и игровой среде обучения. Виртуальные агенты могут выступать в качестве учителей, фасилита-торов или коллег студентов, например, в виртуальных или удалённых лабораториях [3].

С развитием и доступностью больших данных о студентах и обучающей аналитики можно отметить, что «оценка приносит пользу». ИИ может предоставить своевременную обратную связь и оценку. Вместо того, чтобы останавливаться и тестировать, может быть встроен в учебные мероприятия для постоянного анализа достижений учащихся. Алгоритмы использовались для прогнозирования вероятности того, что студент не выполнит задание или бросит курс с высокой степенью точности[4].

К образовательным инструментам ИИ можно подходить с трех разных точек зрения; а) с ориентацией на учащегося, б) с обращением к учителю и в) с ориентацией на систему. Инструменты ИИ, предназначенные для учащихся, - это программное обеспечение, которое учащиеся используют для изучения предмета, например, адаптивные или персонализированные системы управления обучением или ИТС. Системы, ориентированные на учителя, используются для поддержки учителя и уменьшения его или ее рабочей нагрузки за счет автоматизации таких задач, как администрирование, оценка, обратная связь и обнаружение плагиата. Инструменты также дают представление об успеваемости учащихся, чтобы учитель мог активно предлагать поддержку и рекомендации, когда это необходимо. Системные - это инструменты, которые предоставляют информацию администраторам и менеджерам на институциональном уровне, например, для отслеживания моделей отсева по факультетам или колледжам[1].

В контексте высшего образования мы используем концепцию жизненного цикла студента как основу для описания различных услуг на основе ИИ на более широком институциональном и административном уровне, а также для поддержки академического обучения и процесс обучения в более узком смысле.

Метод

Цель систематического обзора - ответить на конкретные вопросы, основанные на явной, систематической и воспроизводимой стратегии поиска, определяющими исследования, которые следует включить или исключить. Затем данные кодируются и извлекаются из включённых исследований, чтобы обобщить результаты и пролить свет на их применение на практике, а также на пробелы или противоречия. Использование академических данных для контроля и обучения студентов

Адаптивные системы в этой категории сосредоточены на извлечении академической информации учащихся для выполнения диагностических задач и помогают преподавателям предлагать более проактивные личные рекомендации; или, в дополнение к этой задаче, включить оценку производительности и индивидуальную помощь и обратную связь, например, систему диагностики, помощи и оценки учащихся на основе ИИ например, для учащихся инженерных специальностей [3-4].

Поддержка представления знаний в концептуальных картах

Чтобы помочь учащимся осознать концептуальные структуры, могут

быть весьма полезны концептуальные карты. В два исследования этой группы была включена экспертная система, например, чтобы учесть избранные идеи коллег в интегрированные концептуальные карты и позволить учителям гибко определять, каким образом выбранные концептуальные карты должны быть объединены или помочь студентам развить понимание прочитанного с помощью ментальных карт референциальной идентификации. Эта последняя система также включает в себя обучение, практику и обратную связь под руководством системы.

Что еще более важно, это проведение исследования для обзора огромного множества потенциальных приложений искусственного интеллекта в высшем образовании для поддержки студентов, преподавателей и администраторов. Они должны быть описаны в четырех широких областях (профилирование и прогнозирование, интеллектуальные обучающие системы, оценка и оценка, а также адаптивные системы и персонализация). Эта структура, созданная на основе систематического обзора, способствует пониманию и концептуализации практики и исследований[4].

С другой стороны, отсутствие лонгитюдных исследований и существенное присутствие описательных и пилотных исследований с технологической точки зрения, а также преобладание количественных методов - особенно квазиэкспериментальных - в эмпирических исследованиях показывает, что все еще есть существенные возможности. для преподавателей -стремиться к инновационным и значимым исследованиям и практике с , которые могут оказать влияние на обучение в рамках высшего образования, например, принятие подходов, основанных на дизайне[3].

Полные последствия развития ИИ пока невозможно предвидеть сегодня, но вполне вероятно, что приложения ИИ станут главной проблемой образовательных технологий в следующие 20 лет. Инструменты и услуги на основе ИИ обладают большим потенциалом для поддержки студентов, преподавателей и администраторов на протяжении всего жизненного цикла студента. Приложения, предоставляют огромные педагогические возможности для проектирования интеллектуальных систем поддержки студентов и для поддержки обучения студентов в адаптивной и персонализированной учебной среде. Это, в частности, относится к крупным высшим учебным заведениям (таким как университеты с открытым и дистанционным обучением), где может помочь преодолеть дилемму предоставления доступа к высшему образованию для очень большого числа студентов (массовое высшее образование)[1].

Крайне важно подчеркнуть, что образовательные технологии касаются не только технологий - это педагогические, этические, социальные, культурные и экономические аспекты , о которых мы должны беспокоиться. Обучение слишком сложно, чтобы его можно было ограничить только анализом данных и алгоритмами. Как и в случае с цифровыми технологиями в целом, цифровые данные не предлагают изящного технического решения образовательных дилемм - независимо от того, насколько убеди-

тельным может быть результат.

Необходимо анализировать технические возможности ИИ и определить педагогический смысл данной системы. В Китае уже используются системы для мониторинга активности учащихся и их выражений посредством распознавания лиц в классах (так называемая интеллектуальная система управления поведением в классе и показывает учителю на приборной панели). Это пример надзора за образованием, и неточно, что такие системы обеспечивают реальную дополнительную помощь для хорошего учителя, который должен уметь фиксировать динамику в учебной группе и реагировать оперативно и педагогически значимым образом. Здесь крайне важно придерживаться этики работы (исследовать потенциал алгоритмических систем принятия решений, встроенных в приложения). Кроме того, мы всегда должны помнить, что системы ИИ «в первую очередь требуют контроля со стороны людей. Даже самые умные системы искусственного интеллекта могут совершать очень глупые ошибки. В новом отчете ЮНЕСКО о проблемах и возможностях для устойчивого развития рассматриваются различные области, каждая из которых имеет важное педагогическое, социальное и этическое измерение. Например, обеспечение интеграции и последовательности, подготовка учителей к образованию на основе ИИ, повышение качества и инклюзивные системы данных или этика и прозрачность в сборе, использовании и распространении данных.

При этом результатом этого обзора является отсутствие критического отражения педагогических и этических последствий, а также рисков внедрения приложений ИИ в высшее образование. Поскольку от преподавателей и обучающихся требуется больше исследований о том, как интегрировать приложения ИИ на протяжении всего жизненного цикла учащихся, чтобы использовать огромные возможности, которые они предоставляют для создания интеллектуальных систем обучения и преподавания. Низкое количество исследований в сфере ИИ образования, свидетельствует о необходимости изучения этих технологических разработок с точки зрения образования.

Большая часть исследований, просто сосредоточена на анализе и поиске закономерностей в данных для разработки моделей и на прогнозировании, которое информирует учеников и учителей о приложениях, или для поддержки административных решений с использованием математических теорий и методов машинного обучения, которые были разработаны. несколько десятилетий назад. Подобные исследования теперь возможны благодаря росту вычислительной мощности и широкой доступности больших цифровых данных о студентах. Однако на данном этапе существует очень мало свидетельств развития педагогических и психологических теорий обучения, связанных с образовательной технологией, управляемой ИИ. . Учитывая динамичное развитие в последние годы и растущий интерес преподавателей к этой области, необходим анализ литературы по ИИ в высшем образовании.

Важным следствием заключения этой статьи является то, что исследователи поощряют к откровенному изложению теорий, лежащих в основе эмпирических исследований разработки и реализации проектов, чтобы расширить исследования на более широкий уровень, помогая нам понять причины и механизмы, стоящие за этим динамичным развитием. Следовательно, окажет огромное влияние на высшие учебные заведения в различных областях, которые нужно развивать. Список литературы

1. Chen, J.-F., & Do, Q. H. (2014). Training neural networks to predict student academic performance: A comparison of cuckoo search and gravitational search algorithms. International Journal of Computational Intelligence and Applications, 13(1). https://doi.org/10.1142/S1469026814500059.

2. Chodorow, M., Gamon, M., & Tetreault, J. (2010). The utility of article and preposition error correction systems for English language learners: Feedback and assessment. Language Testing, 27(3), 419-436. https://doi.org/10.1177/0265532210364391.

3. DeCarlo, P., & Rizk, N. (2010). The design and development of an expert system prototype for enhancing exam quality. International Journal of Advanced Corporate Learning, 3(3), 10-13. https://doi.org/10.3991/ijac.v3i3.1356.

4. Duzhin, F., & Gustafsson, A. (2018). Machine learning-based app for self-evaluation of teacher-specific instructional style and tools. Education Sciences, 8(1). https://doi.org/10.3390/educsci8010007.

MUKHAMADIYEVA KIBRIYO BAKHADIROVA

Applicant of the Department " Information and communication technologies Bukhara Engineering Technological Institute, Uzbekistan mkb78@mail.ru

ANALYSIS OF RESEARCH ON THE USE OF ARTIFICIAL INTELLIGENCE IN HIGHER EDUCATION

According to various international reports, artificial intelligence in education is one of the new areas in educational technologies. Although it has been in existence for about 30 years, it is still unclear to teachers how to extract a pedagogical advantage from it on a larger scale and how it can actually affect teaching and learning in higher education institutions. This article is an analysis of research on the use of AI in higher education. The conclusions reflect an almost complete lack of critical reflection of problems and risks, a weak connection with theoretical pedagogical perspectives, and the need for further study of ethical and educational approaches in higher education.

Keywords: education, artificial intelligence, distance education, self-learning perspective, learning management