CC BY
2"1^'ог хогфу tajribalar анон1(1а Ьо'^ак о^киусЫ1а^а kasbiy kompetensiyalarni г^о^^таИш^ pedagogik strategiyalari: тиатто1аг уа уесЫт1аг" mavzusidagi гезриЬИка 11ш1у-ашаИу konferensiyasi
2024-уП20-fevra1
ИННОВАЦИОННОЕ ОБУЧЕНИЕ: КАК АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ ТРАНСФОРМИРУЮТ АДАПТИВНЫЕ МЕТОДИКИ
ПРЕПОДАВАНИЯ
*Омонов Алишер Ахмад угли, 2Ахаткулов Сохобиддин Абиркулович, 3Саттаров
Кувондик Мавлонович
1,2'3Самаркандский государственный университет им. Ш.Рашидова https://doi.org/10.5281/zenodo.10677709
Аннотация. Статья рассматривает влияние алгоритмов машинного обучения на эволюцию адаптивных методик преподавания. Исследование охватывает современные тенденции в образовании, где инновационные технологии, основанные на алгоритмах машинного обучения, постепенно преобразуют традиционные подходы к обучению. Рассмотрены некоторые вопросы оптимизации образовательного процесса, индивидуализации подхода к учащимся и создания устойчивых и эффективных систем обучения. Анализируются конкретные примеры успешного применения алгоритмов машинного обучения в адаптивных методиках преподавания, которые подчеркивают перспективы, стоящие перед образовательной системой в эпоху цифровой трансформации.
Ключевые слова: машинное обучение, линейная и логарифмическая регрессия, машины опорных векторов ^УМ), ^ближайший сосед ^^^, наивный алгоритм Байеса, адаптивные методики преподавания, индивидуализация обучения, цифровая трансформация образования, учебные алгоритмы, инновационные технологии в образовании
Электронное обучение сегодня является наиболее востребованным способом эффективного обучения среди учащихся и студентов. Существует требование к динамизму и адаптированным учебным материалам, которые расширяют понимание предмета учащимися. В работах, посвященных к применению машинного обучения в образовании предлагаются комплексная модель, основанная на глубоком обучении, позволяющая использовать краткосрочную память (ЬБТМ) и классификацию случайного леса, тем самым обеспечивая высоко персонализированную систему электронного обучения. Система адаптивного обучения будет использовать структуру данных двунаправленного графа, которая будет состоять из различных уровней и фаз. Структура и обход графа определяются соответствующими алгоритмами машинного и глубокого обучения. Как только стиль учащегося определен, в модели используется, например, классификатор «Случайный лес», который учитывает ряд параметров, включая детали оценки учащихся, для получения прогноза уровня обучающегося, который соответствует сложности курса. Стиль и уровень учащегося вместе будут определять адаптивность курса. При таком механизме курс электронного обучения будет адаптирован с учетом способностей учащегося, что обеспечит превосходное понимание курса [1,2].
По причине того, что искусственный интеллект (ИИ) чаще используется в школах и классах, и преподавателям важно понимать, как работает ИИ и как его можно использовать на пользу учащихся, а также ИИ меняет характер работы и обучения, и преподаватели должны быть готовы преподавать в среде, где ИИ играет все более важную роль, ИИ важна для педагогов [3].
Преподавателя используют инструменты ИИ, чтобы:
"1^'ог хогфу tajribalar анон1(1а Ьо'^ак о^киусЫ1а^а kasbiy kompetensiyalarni г^о^^таИш^ pedagogik strategiyalari: тиатто1аг уа уесЫт1аг" mavzusidagi гезриЬИка 11ш1у-ашаИу konferensiyasi
2024-уП20-fevra1
• оценить работу учащихся
• Обеспечит целенаправленную обратную связь
• Предлагать персонализированная схема обучения
• И даже проводить занятия
А учащиеся используют инструменты ИИ, чтобы:
• Получать более высокие оценки
• Получать более персонализированную обратную связь
• Более индивидуальный подход к обучению
• И даже ходить на курсы
Можно предполагать, что результаты обучения могут быть значительно улучшены, если учащимся будет предложено индивидуальное внимание. Но такой подход почти всегда невозможно из-за ограниченности ресурсов, что приводит к высокому соотношению числа учеников и учителей. Одним из решений устранения этого пробела в образовании стало предложение интеллектуальных систем обучения, которые обещали улучшения результатов обучения учащихся. Но, результаты оказались менее чем удовлетворительными. Один из причин, объясняющих такую плохую производительность, является то, что такие системы не могут адаптироваться к меняющимся потребностям учащихся в обучении. Чтобы исследовать, как можно улучшить эту плохую производительность, рассматриваются несколько методов дополнительного машинного обучения путем включения их в интеллектуальные системы обучения, чтобы оценить их эффективность в адаптивной педагогике и определить наиболее подходящий метод дополнительного машинного обучения для реализации в интеллектуальных системах обучения. Линейная и логарифмическая регрессия, машины опорных векторов ^"УМ), к-ближайший сосед (к-ЫЫ) и наивный алгоритм Байеса можно использовать в исследовании и внедрение в практические испытания. Результаты, полученные при обучении методов линейной регрессия с использованием одних и тех же наборов данных, показали, что можно предсказать результаты работ учащихся исходя из некоторых данных. И их можно при использовании его для принятия педагогических решений [4-6].
Линейная регрессия — это метод статистики, используемый для моделирования отношений между зависимой переменной у и одной или несколькими независимыми переменными х. Уравнение линейной регрессии имеет следующий вид:
у = Ь0 + Ь±х± + Ь2х2 + ••• + Ьпхп + £
где:
у — зависимая переменная (переменная, которую мы пытаемся предсказать, в нашем случае это, оценка ученика),
х1,х2, ...,хп — независимые переменные (факторы, которые используются для предсказания, в нашем случае это предыдущая оценка, класс, и т.д.),
Ь0 — константа (свободный член или точка пересечения с осью у),
Ь1,Ь2,...,Ьп — коэффициенты регрессии (показывают, как сильно влияет каждый фактор),
£ — случайная ошибка, которую мы пытаемся минимизировать.
После того как дано прогноз-оценка, для успешного применения основных механизмов адаптации технологии к учащимся - разработанной адаптивности и алгоритмической адаптивности. Последний имеет следующие шаги:
"Ilg'or xorijiy tajribalar asosida bo'lajak o'qituvchilarda kasbiy kompetensiyalarni rivojlantirishning pedagogik strategiyalari: muammolar va yechimlar" mavzusidagi respublika ilmiy-amaliy konferensiyasi
2024-yil 20-fevral
Системы рекомендаций: Внедрение алгоритмов машинного обучения для анализа поведения студентов и предоставления персонализированных рекомендаций по материалам, заданиям и методам обучения.
Адаптивные тесты: Разработка тестов, способные динамически адаптироваться к уровню компетенции каждого студента, предоставляя более сложные задания для тех, кто продвигается быстро, и дополнительные объяснения для тех, кто нуждается в дополнительной поддержке.
Мониторинг прогресса: Использование алгоритмов для регулярного мониторинга успеваемости студентов и предоставления своевременной обратной связи, направленной на повышение эффективности учебного процесса.
Объединение этих двух механизмов может создать более гибкую, эффективную и персонализированную среду обучения, соответствующую потребностям различных учащихся.
REFERENCES
1. Anantharaman, H.; Mubarak, A.; Shobana, B.T. Modelling an Adaptive e-Learning System Using LSTM and Random Forest Classification. In Proceedings of the IEEE Conference on e-Learning, e-Management and e-Services (IC3e), Langkawi, Malaysia, 21-22 November 2018; pp. 29-34.
2. Gligorea, I., Cioca, M., Oancea, R., Gorski, A. T., Gorski, H., & Tudorache, P. (2023). Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education Sciences, 13(12), pp. 12-16.
3. Kolekar, S.V.; Sanjeevi, S.G.; Bormane, D.S. Learning style recognition using Artificial Neural Network for adaptive user interface in e-learning. In Proceedings of the IEEE International Conference on Computational Intelligence and Computing Research, Coimbatore, India, 28-29 December 2010; pp. 1-5.
4. Kanokngamwitroj, K.; Srisa-An, C. Personalized Learning Management System using a Machine Learning Technique. TEM J. 2022, 11, 1626-1633.
5. Dlamini, M.; Leung, W.S. Evaluating Machine Learning Techniques for Improved Adaptive Pedagogy. In Proceedings of the IST-Africa Week Conference (IST-Africa), Gaborone, Botswana, 9-11 May 2018; pp. 1-10.
6. Omonov A.A., Lutfillayev M.Kh. Improvement of educational ativities in higher education used on adaptive learning with artificl intelligence. Abstracts of the 8th international conference "Actual problems of Applied Mathematics and Information Technologies" - Al-Khwarizmi 2023, SamSU, Samarkand, Uzbekistan September 25-26, 2023, p.279.
7. A. A. Omonov, & S. A. Akhatkulov (2023). Some mechanisms for improving educational activities based on adaptive learning using artificial intelligence. Academic research in educational sciences, 4 (CSPU Conference 1), 427-429.
8. Ходжаева, Д.Ф. Проблемы, с которыми можно столкнуться при внедрении искусственного интеллекта / Д.Ф. Ходжаева, А.А. Омонов, Ф.У. Тугизбоев. - Текст: электронный // Наука, техника, образование. - 2021. - №5(80). - С. 23 - 27. - URL: https: // elibrary.ru / item.asp?id=46533904.
