CC BY
2
PEDAGOGICAL SCIENCE
Научная статья ■УДК 37.01/02:378
https://doi.org/10.24412/2414-3995-2023-6-265-269 EDN: https://elibrary.ru/oixmtj NIION: 2015-0066-6/23-891 MOSURED: 77/27-011-2023-06-090
Александр Сергеевич Эрдниев1, Игорь Анатольевич Кушнаренко2
1,2 Московский университет МВД России имени В.Я. Кикотя, Москва, Россия, konfuci@inbox.ru
Аннотация. Цифровые технологии являются неотъемлемой частью современного мира. Все сферы социального взаимодействия пронизываются достижениями технологического прорыва Индустрии 4.0. Становится нормой использовать в повседневной жизни такие трендовые технологии, как Интернет-вещей, система распределенного реестра, цифровые имитационные модели, облачные хранилища и т. д. Профессиональное образование, перестраиваясь под потребности реального сектора экономики, все больше подвергается диджитализации. Электронная информационная образовательная среда является обязательным условием реализации программ подготовки кадров. Стандартизация образовательных отношений приводит к необходимости формирования особой цифровой среды в образовательной организации высшего образования, основанной на таких компонентах, как: кадры, культура, процессы, данные, модели и технологии. Подобные глобальные преобразования приводят к изменениям принципов управления в сфере образования. Инновационный образовательный менеджмент, основанный на данных, становится классической формой принятия управленческих решений. Вместе с тем цифровая трансформация образования изменяет не только порядок и принципы управления образовательными организациями, но создает условия для формирования новых методов научного исследования, основанного на больших данных. В этих условиях заслуживает отдельного внимания такая современная цифровая технология, как нейронная сеть. Предлагаемый цифровой образ математической модели обладает всеми признаками и характеристиками статистического метода научного исследования. Использование потенциала нейронной сети в качестве метода педагогического исследования позволит обеспечить синтез традиционных и инновационных подходов.
Ключевые слова: профессиональное образование, цифровые технологии, цифровая среда, методы научного исследования, нейронная сеть
Для цитирования: Эрдниев А. С., Кушнаренко И. А. О возможностях применения потенциала нейронной сети в педагогическом исследовании // Вестник экономической безопасности. 2023. № 6. С. 265-269. Шр8:/Мо1. 0^/10.24412/2414-3995-2023-6-265-269. ЕБ№ 01ХМТ1
The possibility of using a neural network in pedagogical research
Alexander S. Erdniev1, Igor A. Kushnarenko2
1,2 Moscow University of the Ministry of Internal Affairs ofRussia named after V.Ya. Kikot', Moscow, Russia, konfuci@inbox.ru
Abstract. Digital technologies are an integral part of the modern world. All spheres of social interaction are permitted by the achievements of the technological breakthrough of Industry 4.0. It is becoming the norm to use such classic technologies as the Internet of Things, a distributed registry system, digital simulation models, cloud storage, etc. in everyday life. Vocational education, being rebuilt to meet the needs of the real sector of the economy, is increasingly undergoing digitalization. Electronic information educational environment is a prerequisite for the implementation of training programs. Standardization of educational relations leads to the need for the formation of a special digital environment in the educational organization of higher education, based on such components as: personnel, culture, processes, data, models and technologies. Such global transformations lead to changes in the principles of management in the field of education. Innovative educational management based on data is becoming a classic form of managerial decision-making. At the same time, the digital transformation of education changes not only the order and principles of management of educational organizations, but also creates conditions for the formation of new methods of scientific research based on big data. In these conditions, such
© 3p^HHeB A. C., KymHapeHKO H. A., 2023
О возможностях применения потенциала нейронной сети в педагогическом исследовании
Original article
a modern digital technology as a neural network deserves special attention. The proposed digital image of a mathematical model has all the features and characteristics of a statistical method of scientific research. Using the potential of the neural network as a method of pedagogical research will allow for the synthesis of traditional and innovative approaches.
Keywords: professional education, digital technologies, digital environment, scientific research methods, neural network
For citation: Erdniev A. S., Kushnarenko I. A. The possibility of using a neural network in pedagogical research. Bulletin of economic security. 2023;(6):265-9. (InRuss.). https://doi.oig/10.24412/2414-3995-2023-6-265-269. EDN: OIXMTJ.
Современная педагогическая наука значительное внимание уделяет вопросу совершенствования методологии научного исследования. Четыре классических уровня научно-методологии (общефилософский, общенаучный, конкретно-научный и технологический) претерпевают различные уровни изменений. Если общефилософский и общенаучный уровни остаются практически неизменными, происходит лишь конкретизация и гибридизация отдельных методов, то конкретно-научный и технологический зачастую приобретают новую трактовку, подвергаются переосмыслению и насыщаются новыми подходами, определяющими формы их применения в отдельных научных исследованиях.
Одним из факторов, влияющих на расширение педагогической методологии, является промышленная революция. Новые промышленные технологии становятся не только продуктом научно-технической мысли, но и выступают драйвером дальнейшего развития науки и техники. В исследовании О. Е. Баксанского [2, с. 8] приводится классическая конвергенция научной методологии на примере здравоохранения. Конвергенция как инновационный подход в развитии различных отраслей знаний и производства позволяет повысить благополучие населения. Справедливо мнение автора, по которому технологии, используемые в одной отрасли в качестве традиционных инструментов, для иного направления научного познания могут выступать инновационными решениями. Рассуждения о возможности конвергенции современных цифровых технологий со сферой профессионального образования приводят к выводу о возможности расширения потенциала технологического уровня
педагогической методологии за счет применения отдельных продуктов четвертой промышленной революции. Подобные выводы определяют потребность в изучении возможности гибридизации классических способов сбора, агрегации, анализа эмпирического материала, полученного в ходе педагогического исследования с отдельными достижениями иных отраслей науки.
В педагогике выделяется три метода исследования на технологическом уровне [6]: методы изучения педагогического опыта, методы теоретического исследования, математические методы, что графически показано нарис. 1.
Нельзя не согласиться с профессором И. В. Ульяновой [9, с. 56] в отношении принципов выбора методов для решения педагогических задач: целостности разных научно-методологических уровней, необходимости применения при изучении педагогических явлений совокупности методов для избегания односторонности, адекватности. Эти же принципы должны ложиться в основу конвергенции методологий различных отраслей наук.
Вместе с тем процесс исследовательской деятельности обладает существенной затратностью по времени. Эта черта в значительной мере присуща и педагогической науке. Данное условие определяет потребность в поиске инструментов оптимизации временных затрат на исследовательскую деятельность. Объективно технологические средства обработки информации позволяют оптимизировать реализацию теоретических методов, связанных с изучением научной литературы. Современные программные решения позволяют осуществлять
Рис. 1. Технологические методы исследования в педагогике
PEDAGOGICAL SCIENCE
контент-анализ диссертационных исследований без детального изучения содержания научных трудов. Однако подобный подход может оказаться контрпродуктивным при формировании собственного научного опыта молодым ученым, осуществляющим исследовательскую деятельностью. Напротив, использование цифровых технологий для изучения педагогического опыта или осуществления математических преобразований имитационных моделей может послужить ресурсом для совершенствования методологических подходов в педагогике.
Изложенные доводы демонстрируют необходимость изучения потенциала применения в научном исследовании такой современной цифровой технологии, как нейронная сеть. Тем более, что отдельные формы применения данной технологии в образовании [1; 5; 7; 10] уже активно изучаются и демонстрируются различными группами ученых. Нейронная сеть, представляющая из себя программное воплощение математической модели, выстраивается на принципах функционирования биологических нейронных сетей [8, с. 36]. Наиболее частое применение нейронных сетей заключается в прогнозировании, распознавании информации и принятии управленческих решений. Однако принципы и технологические алгоритмы, используемые в основе нейронной сети, в полной мере позволяют использовать ее потенциал и в педагогическом исследовании.
Свойства и признаки, которыми обладает нейронная сеть, позволяют предположить возможность использования ее потенциала в форме исследовательского инструмента и технологии математической обработки данных. Для того чтобы подтвердить методологические возможности нейронной сети, необходимо раскрыть ее сущностное содержание.
Классическое определение термина продемонстрировано в трудах В. С. Хайкина [10, с. 32], по которому нейронная сеть - это «распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки».
Функциональность нейронной сети заключается в получении информации из окружающей среды, которая становится основой для обучения аналитической работе самой сети. Банк знаний насыщается путем формирования связей ме^ду различными нейронами, называемыми «синаптическими весами».
Нейронные сети обладают следующими свойствами: нелинейность (способность анализировать различные качества и формы информации); возможность отображения входной информации в выходную (адаптация систематизируемой информации путем учебных примеров); адаптивность (могут переучиваться под изменения свойств внешней среды); очевидность ответа (при классификации информации и определении достоверности образа исключаются сомнительные решения); контекстная информация (знания формируются в самой нейронной сети); отказоустойчивость (производительность не
изменяется в зависимости от внешних условий); масштабируемость (возможность применения одних и тех же алгоритмов для ускорения решения задач); единообразие анализа и проектирования (универсальный механизм обработки информации).
В соответствии с алгоритмами обучения существует следующая структура сетей: однослойные сети прямого распространения, многослойные прямого распространения, рекуррентные. Различия между ними заключаются в форме работы с информацией. Так, при прямом распространении информация от входного слоя прямо передается к выходному слою, при рекуррентном распространении существует, как минимум, одна обратная связь.
Выделяются несколько типов задач, которые может решить нейронная сеть [1, с. ИЗ]. К ним относятся: классификация (экспертная оценка информации), поиск зависимостей (выявлении зависимости одного параметра информации от другого), кластеризация (типологи-зация информации по различным признакам) и прогнозирование (прогнозирование факторов и показателей).
Одним из вариантов применения нейронной сети на практике может послужить поиск зависимостей, отражающих пробелы в образовании обучающихся [5, с. 297; 7, с. 93]. Применение технологии рекуррентной нейронной сети позволяет выявить проблемы в формировании компетенций у обучающихся на основании наличия зависимости от получения знаний по конкретной дисциплине и учебному модулю.
Иным подходом представляется возможность формирования траектории личностного развития для обучающихся общеобразовательной школы [11, с. 77]. На основании данных мозговой активности с использованием технологии многослойной сети прямого распространения формулируется решение по оценке склонности ребенка. Результатом применения нейронной сети выступает поддержка принятия решений по выбору профильных предметов для обучения, в том числе и для детей с ограниченными возможностями [3, с. 14].
Продемонстрированные формы применения нейронной сети являются в некоторой степени классическими инструментами принятия решений, но при этом не раскрывают ее методологический потенциал в научном исследовании.
Также остается за скобками сугубо прагматический вопрос: представленные формы применения нейронных сетей разрабатывались целыми группами специалистов с техническим образованием, тогда как у большинства исследователей в педагогической сфере отсутствуют соответствующие технические компетенции.
Если в начале XXI века программирование считалось исключительной прерогативой специалистов, то современные формы обучения позволяют достигать необходимого уровня навыков за сравнительно небольшой срок широкому кругу интернет-пользователей. В трудах В. С. Ростовцева [8] подробна раскрыта не только архитектура нейронных сетей, их типологизация и принци-
Ii al
26% 21% 0% 21% 32%
Гуманизм Законность Права Патриотизм Сереисность
Рис. 2.Анализ семантической нагрузки в тексте на примере педагогического сочиненияА. С.Макаренко «О моем опыте»
пы функционирования, но и формулируется механизм построения сетей на основе языка программирования Phyton.
Для разработки нейронной сети с открытым кодом допускается использовать готовые решения на основании сформированных библиотек типа «Keras, Pandas и Lxml», программных платформ класса «.NET Framework» и стандартных линейных алгоритмов. Готовые библиотеки позволяют адаптировать рабочую нейронную сеть под решение прикладных задач.
Так, анализ семантической нагрузки в текстовых или графических источниках информации позволяет максимально автоматизировать такой метод научного исследования, как изучение педагогического опыта. Применение системы автоматизированного управления базами данных и линейных алгоритмов позволяет собрать все методы математической статистики, используемые в педагогическом исследовании, в единую информационную систему для кластеризации обрабатываемых потоков информации.
В качестве демонстрации применения возможностей нейронной сети допустимо изучить технологию на примере анализа педагогического наследия А. С. Макаренко, изложенного в сочинении «О моем опыте» [4]. Для обучения нейронной сети были использованы пять ключевых определений: гуманизм - в контексте уважения к ценностям личности, человека как высшей ценности; законность - соблюдение норм и правил поведения, определенных в качестве общесоциальных требований; права - права человека и гражданина, сформулированные в международных нормативно-правовых актах; патриотизм - любовь к Родине; сервисность - государственная власть удовлетворяет потребности общества и осуществляет заботу о гражданах. Результаты работы нейронной сети предоставлены на рис. 2.
Семантический анализ текстовой нагрузки в сочинении приводит к выводу о том, что научный труд А. С. Макаренко раскрывает сущность гуманного отношения к молодежи, построения системы воспитания через коллективный труд, необходимость патриотического воспитания и заботливого отношения государства к подрастающему поколению.
Проведенный опыт демонстрирует эффективность нейронной сети в возможности анализа большого массива данных, агрегации и дисперсии информации по ключевым признакам.
Математические методы научного исследования предполагают, в том числе и изучение связей между различными переменными. Технология нейронной сети предоставляет возможность более эффективной обработки данных, анализа зависимостей и выстраивания различных факторов, нежели классическая форма работы с массивами через программу Statistica. При этом факторный анализ в классической форме не позволяет агрегировать и синтезировать информацию различного качества (диагностические методики, опросники, эссе, анализ результатов творческой деятельности и т. д.) без унификации данных. Алгоритмы машинного обучения основываются на различных типах данных и позволяют на начальном этапе заложить модули, статистические метрики, группы моделей и библиотеки для извлечения необходимой информации с целью ее последующего анализа и систематизации.
Проведенное исследование подтвердило наличие значительного потенциала в технологии нейронной сети как инновационного метода педагогического исследования. Возможность ее применения позволит не только оптимизировать подготовку отдельного научного исследования, но изменить в целом подход к педагогическому исследованию.
Список источников
1. Акимов С. С., Кушнерова И. А. Нейронные сети в среде высшего образования // Тенденции инновационного развития науки и практики : Сборник научных статей по материалам Международной научно-практической конференции, Смоленск, 30 ноября 2017 года. Смоленск : Общество с ограниченной ответственностью «НОВАЛЕНСО», 2017. С. 112-114.
2. Баксанский О. Е. Методология конвергенции как фундаментальное основание // Коллекция гуманитарных исследований. 2017. № 2 (5). С. 6-13.
3. Кондратьева С. П., Мастяева И. Н. Применение нейронных сетей в оценке качества инклюзивного образования // Качество. Инновации. Образование. 2009. №7(50). С. 11-15.
4. Макаренко А. С. «О моем опыте» // http:// pedagogic.ru/books/item/f00/s00/z0000000/st063.shtml?ys clid=la5gj38wkd770485094.
5. Морозова Е. А., Горский А. В. Основные тенденции применения нейронных сетей в сфере образования // Цифровые технологии и инновации в развитии на-
PEDAGOGICAL SCIENCE
уки и образования: сборник научных статей, Чебоксары, 08 апреля 2022 года. Чебоксары : ФГБОУ ВО «Чувашский государственный педагогический университет им. И.Я. Яковлева», 2022. С. 296-300.
6. Педагогика : учебное пособие для студ. высш. пед. учеб. заведений / В. А. Сластенин, И. Ф. Исаев, Е. Н. Шиянов ; под. ред. В. А. Сластенина. М. : Издательский центр «Академия», 2002. 576 с.
7. Репкина Н. Г. Прогнозирование успешности образования студентов технических направлений подготовки с использованием искусственных нейронных сетей // Альманах мировой науки. 2016. № 5-1 (8). С. 92-95.
8. Ростовцев В. С. Искусственные нейронные сети : учебник. Киров : Изд-во ВятГУ, 2014. 208 с.
9. Ульянова И. В. Педагогика : учебное пособие для бакалавров, обучающихся по направлению подготовки 44.03.03 Специальное (дефектологическое) образование. М. : Негосударственное образовательное частное учреждение высшего образования «Московский институт психоанализа», 2018. 388 с.
10. Хайкин С. Нейронные сети : полный курс, 2-е издание : пер. с англ. М. : Издательский дом «Вильяме», 2006. 1104 е.: ил. Парал. тит. англ.
11. Хасанов Р. И., Дяминова Э. И. Обработка информации с помощью нейронных сетей для поддержки принятия решений в сфере образования // Образовательные ресурсы и технологии. 2017.№4(21). С. 76-83.
References
1. Akimov S. S., Kushnerova I. A. Neural networks in higher education // Trends in the innovative development of science and practice : a collection of scientific articles based on the materials of the International Scientific and Practical Conference, Smolensk, November 30, 2017. Smolensk : NOVALENZO Limited Liability Company, 2017. P. 112-114.
2. Baksansky O. E. Methodology of convergence as a fundamental basis // Collection of humanitarian studies. 2017.№2(5).P. 6-13.
3. Kondratieva S. I., Mastyaeva I. N. The use of neural networks in assessing the quality of inclusive education. Innovation. Education. 2009. № 7 (50). P. 11-15.
4. Makarenko A. S. «About my experience» // http:// pedagogic.ru/books/item/f00/s00/z0000000/st063.shtml?ys clid=la5gj38wkd770485094.
5. Morozova E. A., Gorsky A. V The main trends in the use of neural networks in the field of education // Digital technologies and innovations in the development of science and education: collection of scientific articles, Cheboksary, April 08, 2022. Cheboksary : Chuvash State Pedagogical University named after I.Ya. Yakovlev, 2022. P. 296-300.
6. Pedagogy. A study guide for students higher education institutions / V. A. Slastenin, I. F. Isaev, E. N. Shiyanov ; edited by V. A. Slastenin. M. : Publishing Center «Academy», 2002. 576 p.
7. Repkina N. G. Forecasting the success of education of students of technical training areas using artificial neural networks // Almanac of World science. 2016. № 5-1(8). P. 92-95.
8. Rostovtsev V. S. Artificial neural networks : textbook. Kirov : VyatkaPublishingHouse, 2014. 208 p.
9. Ulyanova I. V Pedagogy : a textbook for bachelors studying in the field of training 44.03.03 Special (defectological) education. Moscow : Non-governmental educational private institution of higher education «Moscow Institute ofPsychoanalysis», 2018. 388 p.
10. Khaykin S. Neural networks : a complete course, 2nd edition : trans, from English M. : Publishing house «Williams», 2006. 1104 p.: ill. Par. tit.
11. Khasanov R. I., Dyaminova E. I. Information processing using neural networks to support decisionmaking in the field of education // Educational resources and technologies. 2017. № 4 (21). P. 76-83.
Информация об авторах
А. С. Эрдниев - начальник учебно-научного комплекса информационных технологий Московского университета МВД России имени В.Я. Кикотя, кандидат педагогических наук;
И. А. Кушнаренко - профессор кафедры философии Московского университета МВД России имени В.Я. Кикотя, доктор философских наук, доцент.
Information about the authors
A. S. Erdniev - Head of the Educational and Scientific Complex of Information Technologies of the Moscow University of the Ministry of Internal Affairs of Russia named after V.Ya. Kikot', Candidate of Pedagogical Sciences;
I. A. Kushnarenko - Professor of the Department of Philosophy of the Moscow University of the Ministry of Internal Affairs ofRussia named after V.Ya. Kikot', Doctor ofPhilosophy, Associate Professor.
Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.
Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests.
Статья поступила в редакцию 24.11.2023; одобрена после рецензирования 30.11.2023; принята к публикации 18.12.2023.
The article was submitted 24.11.2023; approved after reviewing 30.11.2023; accepted for publication 18.12.2023.
