МАШИННОЕ ОБУЧЕНИЕ В СОВЕРШЕНСТВОВАНИИ ОБРАЗОВАТЕЛЬНОЙ СРЕДЫ Текст научной статьи по специальности «Науки об образовании»

МАШИННОЕ ОБУЧЕНИЕ В СОВЕРШЕНСТВОВАНИИ ОБРАЗОВАТЕЛЬНОЙ СРЕДЫ Мухамадиева Кибриё Бахадировна, соискатель Бухарский инженерно-технологический институт, Узбекистан

Машинное обучение оказывает огромное влияние на педагогическую индустрию. Преподавательская отрасль внедряет новые технологии для прогнозирования будущего системы образования. Именно машинное обучение предсказывает будущую природу образования завидовать, адаптируя новые передовые интеллектуальные технологии. В этой работе исследуется применение машинного обучения в преподавании и обучении для дальнейшего улучшения учебной среды в высшем образовании. Мы исследуем применение машинного обучения в индивидуальной среде преподавания и обучения и исследуем дальнейшие направления исследований. Индивидуальные преподавания и обучения рассмотреть студента на заднем плане, индивидуальные способности студента, скорость обучения и ответ каждого студента. Такой индивидуальный подход к преподаванию и обучению обеспечивает обратную связь с преподавателем после обработки данных в режиме реального времени.

Ключевые слова: машинное обучение в образовании, прогнозирование в образовании, перспектива образования

Введение

Машинное обучение потенциально может переосмыслить не только то, как осуществляется обучение, но и способствовать качественному обучению со стороны студентов. Вероятно, наиболее важной частью роли машинного обучения в преподавании является индивидуальное обучение. С помощью машинного обучения мы отходим от универсальной методики. Машинное обучение обещает обеспечить индивидуальное обучение в классе, предоставляя обратную связь в реальном времени, основанную на индивидуальном поведении студентов и других факторах. Это повышает шансы на лучшее обучение. Машинное обучение также играет важную роль в оценке, устраняя предвзятость. Индивидуальное обучение является прямой противоположностью универсальной методологии или философии. Оно учитывает индивидуальные способности учеников, скорость обучения, происхождение, реакцию и другие переменные. Он обрабатывает данные в реальном времени и обеспечивает обратную связь с учителем, чтобы учитель мог сразу же распознать ослабление внимания ученика или плохую реакцию и принять корректирующие меры. Это потенциально может улучшить участие учеников и, в процессе, общие результаты. Машинное обучение сможет объяснить концепции, а также установить цели для отдельных учеников. С другой стороны, учителя смогут отслеживать, способны ли ученики усваивать эти понятия. Основываясь на этой обратной связи, преподаватели могут изменять или модифицировать методологию,

учебный план или темы соответственно. И результат будет более точным и целенаправленным для отдельных студентов. Технология машинного обучения может помочь учителям объективно оценивать тесты и обеспечивать обратную связь. Прикладные программы машинного обучения могут проводить оценку и давать баллы. Машины заботятся о процессе, устраняя человеческое вмешательство и помогая избавиться от человеческих предрассудков или предубеждений в процессе.

На сегодняшний день планы уроков составлены в общих чертах, поэтому они одинаковы для всех студентов. Тем не менее, учащиеся имеют разные типы способностей к обучению, поэтому один и тот же план урока может быть не идеальным для всех студентов. Представьте себе сценарий, в котором ученик способен быстро учиться с помощью визуальных представлений/фигур/диаграммы, но ему предоставляется учебный материал на основе текста - ученику может быть трудно усвоить материал. До ИИ и машинного обучения не было практического способа обнаружить это и найти возможное решение.

В результате, это оказывает огромное давление на ученика и иногда приводит к неудаче, хотя у ученика мог быть хороший потенциал. Если бы материал был представлен только по-другому, то ученик мог бы легко его понять и усвоить.

Применение искусственного интеллекта является отличным решением для этой ситуации. Индивидуальные планы уроков могут потенциально привести к лучшему обучению, потому что технология может оценить данные об ученике и детерминализировать лучшие методы, в которых ученики могут учиться. Это также определит лучшее картирование предметов на основе интересов студентов.

Обратная связь является важной частью любой системы обучения. Обратная связь также является одним из важнейших компонентов в обучении. Когда мы говорим об обратной связи, это означает 360-градусную обратную связь. Здесь она применяется как к ученику, так и к учителю. Машинное обучение анализирует данные об ученике и обеспечивает обратную связь. Машинное обучение также анализирует данные учителя и подготавливает обратную связь. Эта обратная связь помогает обеим сторонам. Учащиеся могут получать конструктивную обратную связь и действовать соответствующим образом, чтобы получить лучшие результаты. С другой стороны, учителя могут адаптироваться, чтобы обеспечить лучший опыт преподавания. В то время как учитель уже обеспечивает обратную связь с учениками, обучение по машинному принципу будет идти все глубже и глубже. Оно будет оценивать поведение учеников, их реакцию и исторические данные, делать выводы, основанные на данных, и давать объективную обратную связь. Что касается оценок, то оно устранит возможность человеческих предрассудков при обеспечении обратной связи.

Прогнозирование карьеры - это одна из областей, где учащиеся могут запутаться и принять решение, которое может не сработать в лучшую сто-

рону. Карьерный путь студента очень важен для его будущего. Если этот путь не выбран с осторожностью, результатом может стать разочарование и разочарование. В целом, на решение о карьерном пути студента может сильно повлиять ряд факторов, в том числе семейная профессия, родители и соседи - и, конечно же, наиболее выгодные варианты карьеры. Однако при этом не хватает самого главного: заинтересованности отдельного студента. ИИ и машинное обучение могут сыграть здесь важную роль. Машинное обучение с помощью приложений для прогнозирования карьерного роста позволяет отслеживать интерес, склонности и неприязни ученика. Оно анализирует поведение и реакции студентов. На основе анализа, он может справедливо предсказать области интереса, в которых студент может преуспеть.

Искусственный интеллект и машинное обучение оказывают огромное влияние на педагогическую отрасль. До внедрения ИИ/машинного обучения широко использовался универсальный подход. В результате, ученики были вынуждены пытаться приспособить свой стиль обучения к плану урока, а не наоборот. С другой стороны, преподаватели столкнулись с множеством проблем, пытаясь понять потребности учеников и возможные решения. Таким образом, опыт преподавания и процент успеха не соответствовали ожиданиям. С появлением машинного обучения и ИИ оно становится более целенаправленным, точным и успешным. Машинное обучение, если его использовать, может революционизировать преподавание только на основе данных. В ближайшем будущем машинное обучение будет более эффективным и даст еще лучшие результаты.

Машинное обучение в образовании:

Инструменты, разработанные с помощью машинного обучения и искусственного интеллекта, могут быть полезны для расширения возможностей обучения. Они могут работать независимо от учителей и могут быть полезны для поддержки учителей [1]. Основные области использования этих приложений [2]:

(1) Репетиторство: Интеллектуальные системы репетиторства - это адаптивные системы репетиторства, которые способны вовлекать учеников в диалоги, отвечать на них, а также обеспечивать обратную связь.

(и) Индивидуальное обучение: Адаптивные системы репетиторства могут настраиваться как повторные запросы студентов с точки зрения учебного материала, последовательности обучения, материала и понимания различных студентов по разным темам. Она также полезна для студентов с особыми потребностями, поскольку позволяет им идентифицировать выражения лица.

(ш) Автоматизированная оценка: Автоматизированное оценивание высокоэффективно для оценки недооцененного уровня студентов, поскольку эти системы способны корректировать уровень сложности последовательных вопросов на основе результатов прошлых лет.

(1у) Оказание поддержки учителям: Алгоритмы машинного обучения могут быть использованы для выполнения рутинных заданий по посещаемости, оценке заданий и генерации квестов. Это полезно для учителей.

Машинное обучение при тестировании образовательного программного обеспечения

Образовательное программное обеспечение должно быть очень точным, так как оно влияет на процесс обучения студентов. Они также используются для оценки и репетиторства учеников. Следовательно, они должны пройти интенсивный процесс тестирования перед внедрением. Тестирование программного обеспечения проверяет соответствие программного обеспечения атрибутам системы, а также его способность к достижению намеченных целей. С ростом сложности программного обеспечения процесс тестирования становится более интенсивным [3]. Элементами обучения являются метрики и спецификация программного обеспечения, управляющий граф, данные по исполнению графа вызова, отчет о сбоях в тестовом случае и данные по охвату. Тестирование программного обеспечения включает в себя следующие этапы:

(1) Анализ проблемной области и соответствующей ей

наборы данных. (и) Анализ алгоритма ш) анализ вариантов исполнения.

Автоматизированный процесс тестирования используется для снижения стоимости тестирования и времени, необходимого для его проведения. При тестировании программного обеспечения используются различные алгоритмы машинного обучения Искусственные нейронные сети, Деревья принятия решений, Генетические алгоритмы, Обучение по Байесу, Обучение на Базе Бытия, Кластеризация и т.д. Эти методы также повышают производительность при тестировании [4].

Машинное обучение в интеллектуальной учебной среде Интеллектуальная среда обучения относится к системам, использующим как контролируемое, так и не контролируемое обучение. Это очень полезно для представления обучения студентов по таким признакам, как знания, метакогнитивные способности и поведение в обучении, чтобы предсказать будущее поведение учащегося. Эти системы, как правило, основаны на статистическом распознавании образов [5]. Эти модели достигаются путем сбора, обработки, изучения и тестирования данных. Это может быть сделано путем ручной маркировки данных и последующего применения алгоритмов обучения под наблюдением для идентификации поведения. Для дальнейшего сокращения времени реализации можно использовать алгоритмы обучения без присмотра, такие как к означает кластеризацию для идентификации общего обучающегося поведения, а обучение под надзором реализуется для фактического построения пользовательской модели на основе выявленных закономерностей. Интеллектуальная учебная среда предоставляет инструменты для поддержки изучения учащегося по опре-

деленному предмету, а адаптивные модели могут предоставлять индивидуальные предложения по улучшению изучения учащимися.

Машинное обучение для прогнозирования и планирования карьеры

Это интересное применение машинного обучения для прогнозирования и планирования карьеры.

(^Прогнозирование карьеры: Прогнозирование карьеры основано на активности людей на различных социальных сайтах. Это достигается путем многопрофильного многозадачного обучения. Оно обеспечивает как функциональную неоднородность, так и неоднородность задач. Таким образом, оно больше подходит для таких сложных задач, как прогнозирование карьеры. Этот вид обучения в основном использует подход, основанный на графике. Многоуровневое обучение использует согласованность между различными представлениями для достижения лучшей производительности, так как информация из нескольких социальных сайтов одного и того же пользователя может выявить их характеристики из разных представлений, а многозадачное обучение может смоделировать задачи, которые связаны друг с другом. В целом, было обнаружено, что функции, извлекаемые из множества источников, имеют высокую степень детализации, и иногда эта информация носит крайне скудный характер. Регрессионный анализ LASSO (Least absolute shrinkage and selection operator)) используется для контроля редкости и определения особенностей распределения задач и специфики задач, которые имеют решающее значение при определении влияющих факторов, влияющих на карьерный рост конкретного пользователя [6].

ii) планирование карьеры: Для планирования карьеры собираются данные, относящиеся к квалификации, предварительному и прошлому опыту пользователя, и на основе данного профиля пользователю представляется лучший вариант карьерного роста [7]. Для создания этой модели производится кластеризация k-средних для идентификации пользователей со схожим фоном, а затем используется цепная модель Маркова для оценки матрицы вероятности перехода. При этом делается предположение, что следующее состояние зависит от текущего состояния. Цепной метод вероятности используется для извлечения целей с максимальной вероятностью из матрицы вероятности перехода, а Лагранж является полезным при оптимизации результатов. Кратчайший путь на основе этих оптимизированных результатов вычисляется алгоритмом Дийкстры. Модель способна помочь пользователю в планировании карьеры, предлагая наиболее подходящий путь карьерного роста. Если человек хочет стать директором финансовой фирмы, то модель поможет ему получить степень в области финансов, а затем пройти полный путь через вступление в качестве помощника менеджера,

Машинное обучение в автоматизированной оценке

Оценка является мощным инструментом обучения, который может улучшить обучение и образование. Процесс оценки студентов должен со-

гласовываться с целями куррикулума и задачами образования. Определение стратегий оценки, необходимых для правильной оценки прогресса студентов в рамках инди-визуальных программ, так же важно, как и установление содержания куррикулума и предоставление метамфетаминов. Цель настоящего документа - обсудить элементы, которые следует учитывать при разработке и осуществлении оценки, а также общие проблемы, возникающие в ходе этого процесса. Элементы, которые следует учитывать при разработке оценки, включают цель оценки в качестве оценки, области, подлежащие тестированию, и характеристики инструментов оценки, которые будут применяться. Инструменты оценки оцениваются по четырем основным характеристикам: релевантность, осуществимость, обоснованность и надежность. На основе данных, представленных в литературе, рекомендуется использовать различные инструменты оценки для согласования различных областей и стилей обучения. Цикл оценки завершается оценкой результатов, и на их основе учреждение, программа или курс могут вносить изменения для повышения качества образования. Если структура оценки согласуется с внешними образовательными мероприятиями и методами обучения, это повышает качество образования и способствует обучению студентов.

Методы оценки - это стратегии, методы, инструменты и инструменты, разработанные с помощью эвристики для сбора информации с целью определения степени, в которой учащиеся демонстрируют желаемые результаты обучения. Для постановки вопросов, а также для проведения оценки применяются различные методы обучения с использованием машинного обучения [7] .Для автоматизированного оценивания используются различные типы методов обучения ma-chine:

Машинное обучение в виртуальном обучении:

Более 78% разработанных систем виртуального обучения используются в секторе образования. Машинное обучение позволяет анализировать и извлекать данные, находить корреляцию и закономерности из больших массивов данных для получения полезной информации. Различные методы, которые используются в создании виртуальной среды обучения являются нейронными сетями, которые представляют собой сеть узлов с высоким уровнем связи, которые работают вместе, чтобы обеспечить решение, поддержка векторной машины полезны для классификации данных, чтобы обеспечить лучшее пространство решения, деревья решений создают картины решения, чтобы определить стратегию для поиска наиболее подходящего пути, который достигает решения, Нечеткая логика хороша в рассуждениях и понимании возможного набора. Другие алгоритмы, которые используются для создания виртуальной системы обучения являются алгоритмы колеса рулетки, которые максимизируют выбор пути обучения и эволюционные алгоритмы обеспечивает оптимальные пути в данных и процессов, похожих на поведение живых организмов, таких как муравьи, стаи и т.д. [4]

Различные методы, которые были разработаны для исследований и разработок в системе образования, сгруппированы в такие группы, как адаптивные системы обучения, интеллектуальные системы репетиторов, когнитивные системы и системы рекомендаций.

Машинное обучения для прогнозирования результатов обучения. Машинное обучение может быть использовано для прогнозирования результатов обучения студентов. Система точна, чувствительна и специфична с точки зрения использования алгоритмов машинного обучения для прогнозирования успеваемости студентов на ранних стадиях обучения [5] . Они в основном выполняют следующие задачи: (0 автоматический сбор экзаменационных баллов (и) Данные о результатах экзаменов

Незаметные переменные затем обнаруживаются на основе этих данных, таких как предварительные знания, талант и усердие студента. На основе этой информации создается модель прогнозирования для прогнозирования результатов обучения студентов.

Машинное обучение в обучающих приложениях на основе агентов: В эпоху искусственного интеллекта, машинное обучение облегчает индивидуальный процесс преподавания и обучения для повышения эффективности образовательного применения. Эффективность и действенность системы образования может быть улучшена с помощью динамических адаптивных стратегий обучения и преподавания. В современных педагогических системах существует лишь несколько систем обучения, которые являются динамичными и способны удовлетворить индивидуальные потребности студентов. Доступность этих систем должна быть увеличена за счет включения агентов и объектов обучения в образовательные приложения. Такие интеллектуальные системы обучения должны быть адаптивными, способными к обучению и динамичными [6]. Многие образовательные технологии представляют собой проекты, доступные либо в качестве автономных систем обучения, либо в качестве веб-инструментов обучения. Во всех этих проектах используются такие методы, как мультимедийное взаимодействие, модели обучения и асинхронное обучение. Для архитектурного оформления педагогической информации предусмотрен необходимый комплексный подход [7]. Вывод

Машинное обучение играет более широкую роль в образовательном применении и системе. Эти приложения могут быть использованы для настройки модуля курса, репетиторства, оценки, определения результатов обучения и даже для прогнозирования карьеры. Адаптивные системы обучения могут быть адаптированы в соответствии с когнитивными навыками и поведением отдельных студентов или группы студентов.

Помимо процессов обучения, в процессе оценивания и аттестации очень полезно, что иногда становится монотонным заданием для учителей. Она

может предоставить учителям значительное время для создания инновационных методов улучшения учебной среды.

Огромные массивы данных, полученные с помощью массивных открытых онлайн-курсов, весьма полезны при проведении образовательных исследований. Этот большой объем данных может быть смоделирован с помощью машинной методики обучения для создания прогностических моделей.

Образование является одной из чувствительных областей, и разрабатываются новые и точные методы де-жизнедеятельности модуля, системы обратной связи и решения проблем.

Список литературы

1. Joyce J. Lu, Laurie A. Harris(2018) in 'Congressional Reasearch Service ',www.crs.gov, In Focus

2. R. Luckin, W. Holmes, M. Griffiths and L. B. Focier(2016),'Intelligence Unleashed: An Argument For AI In Education',Pearson.

3. Mahdi Noorian, Ebrahim Bagheri, and Wheichang Du(2011),'Machine Learning-based Software Testing: Towards a Classification Framework', Proceedings of the 23rd Inte Conference on Software Engineering & Knowledge Engineering .

4. Christian Murphy Gail Kaiser Marta Arias(2007),' An Approach to Software Testing of Machine Learning Applications', Columbia University Computer Science Technical Reports,

5. Saleema Amershi ,Cristina Conati(2007),' Unsupervised and Supervised Machine Learning in User Modeling for Intelligent Learning Environments ',Proceedings of 12th International Conference on Intelligent User interfaces, Pages 72-81

6. Ye Liu, Luming Zhang, Liqiang Nie, Yan Yan, David S. Rosenblum(2016),' Fortune Teller: Predicting Your Career Path', Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence"

7. Yu Lou,Ran Ren,Yiyang Zhao,' A Machine Learning Approach for Future Career Planning'

Mukhamadiyeva Kibria Bakhadirova

applicant, Bukhara engineering-technological Institute, Uzbekistan MACHINE LEARNING IN IMPROVING THE EDUCATIONAL ENVIRONMENT Machine learning has a huge impact on the teaching industry. The teaching industry is introducing new technologies to predict the future of the education system. It is machine learning that predicts the future nature of education envy by adapting new advanced intelligent technologies. This paper explores the application of machine learning in teaching and learning to further improve the learning environment in higher education. We investigate the application of machine learning in an individual teaching and learning environment and explore further areas of research. Individual teaching and learning consider the student in the background, the individual abilities of the student, the learning rate and the response of each student. This individual approach to teaching and learning provides feedback to the teacher after processing the data in real time.

Keywords: machine learning in education, forecasting in education, education perspective