CC BY
8
ДОКУМЕНТАЛЬНАЯ ИНФОРМАЦИЯ
DOI - 10.32743/UniTech.2024.128.11.18692
ПРИМЕНЕНИЕ ИИ ДЛЯ ПЕРСОНАЛИЗАЦИИ ОБУЧЕНИЯ СТУДЕНТОВ ВУЗОВ
Шарифбаева Халида Ядкаровна
канд. пед. наук, доцент, кафедра «Педагогика и психология», Ташкентский филиал «Profi University», Республика Узбекистан, г. Ташкент E-mail: tdtu9444@gmail. com
Абдурашидова Мохинур Журъат кизи
студент,
Ташкентский международный университет КИМЁ, Республика Узбекистан, г. Ташкент
APPLICATION OF AI FOR PERSONALIZATION OF LEARNING FOR UNIVERSITY STUDENTS
Khalida Sharifbayeva
Candidate of Pedagogical Sciences, Associate Professor, Department of "Pedagogy and Psychology", Tashkent branch of "Profi University", Republic of Uzbekistan, Tashkent
Mokhinur Abdurashidova
Bachelor's student, Tashkent International University KIMYO, Republic of Uzbekistan, Tashkent
АННОТАЦИЯ
В статье рассматривается применение искусственного интеллекта (ИИ) для персонализации обучения студентов ВУЗов. Проведен анализ популярных адаптивных обучающих платформ и инструментов ИИ, таких как Coursera, edX, Khan Academy, Duolingo, Moodle с плагином AI, IntelliBoard, Knewton.
Выявлены преимущества и недостатки использования ИИ в образовании. Сделан вывод о необходимости учета этических аспектов и разработки стандартов при внедрении ИИ в образовательную практику.
ABSTRACT
This article examines the use of artificial intelligence (AI) for the personalization of learning for university students. An analysis of popular adaptive learning platforms and AI tools, such as Coursera, edX, Khan Academy, Duolingo, Moodle with AI plugin, IntelliBoard, Knewton, is conducted.
The advantages and disadvantages of using AI in education are identified. The conclusion is made about the need to take into account ethical aspects and develop standards for the implementation of AI in educational practice.
Ключевые слова: искусственный интеллект, персонализация обучения, адаптивное обучение, образовательные платформы, высшее образование.
Keywords: artificial intelligence, personalization of learning, adaptive learning, educational platforms, higher education.
Введение
Современная система высшего образования сталкивается с проблемой массовости, которая затрудняет учет индивидуальных особенностей студентов в процессе обучения. Традиционные методы преподавания, ориентированные на «среднего» студента, часто оказываются неэффективными для тех, кто отличается
по уровню подготовки, стилю обучения, мотивации и другим характеристикам. В результате, многие студенты не могут полностью раскрыть свой потенциал и достичь высоких результатов в учебе.
Одним из перспективных направлений решения этой проблемы является персонализация обучения [2], которая предполагает адаптацию учебного процесса
Библиографическое описание: Шарифбаева Х.Я., Абдурашидова М.Ж. ПРИМЕНЕНИЕ ИИ ДЛЯ ПЕРСОНАЛИЗАЦИИ ОБУЧЕНИЯ СТУДЕНТОВ ВУЗОВ // Universum: технические науки : электрон. научн. журн. 2024. 11(128). URL: https://7universum.com/ru/tech/archive/item/18692
к индивидуальным потребностям каждого студента. В этом контексте огромный потенциал имеет искусственный интеллект (ИИ), способный анализировать большие объемы данных о студентах, выявлять их сильные и слабые стороны, и предоставлять персонализированные рекомендации по обучению. «Побочным» эффектом от внедрения систем с ИИ в образовательную практику является повышение мотивации студентов к самостоятельной активной познавательной деятельности [3].
Персонализированное обучение можно определить как организацию учебного процесса, при которой содержание, методы и темп обучения адаптируются к индивидуальным особенностям каждого студента с целью повышения эффективности и мотивации к учебе [4].
ИИ в образовании представляет собой применение технологий искусственного интеллекта (машинное обучение, глубокое обучение, обработка естественного языка и др.) для решения различных образовательных задач, таких как персонализация бучения, автоматическая оценка знаний, создание адаптивных обучающих систем, интеллектуальный анализ данных об образовательном процессе [5].
Цель данного исследования заключается в оценке эффективности применения ИИ для персонализации обучения студентов ВУЗов, анализ преимуществ,
недостатков и перспектив использования ИИ в образовании.
Методы: в рамках исследования нами был выполнен анализ существующих платформ и инструментов ИИ для персонализации обучения. Был проведен контент-анализ научных публикаций, посвященных эффективности использования различных платформ и инструментов ИИ для персонализации обучения. Комбинация методов анализа платформ и анализа исследований позволила получить объективную и всестороннюю картину применения ИИ для пер-сонализации обучения.
Результаты: в ходе исследований нами был проведен сравнительный анализ 5 популярных адаптивных обучающих платформ: Coursera, edX, Khan Academy, Duolingo, Moodle с плагином AI. Coursera и edX продемонстрировали наиболее развитые функции персонализации, включая адаптацию содержания и темпа обучения на основе машинного обучения. Khan Academy эффективно использует ИИ для выявления пробелов в знаниях и предложения индивидуальных заданий. Duolingo отличается игровым подходом к обучению и использованием ИИ для мотивации пользователей. Moodle с плагином AI позволяет преподавателям создавать адаптивные тесты и задания. Результаты анализа представлены в Таблице 1.
Таблица 1.
Результаты анализа
Платформа Coursera edX Khan Academy Duolingo Moodle + AI плагины
Адаптация содержания Предлагает индивидуальные траектории обучения, подбирает материалы в зависимости от прогресса Предлагает индивидуальные рекомендации по курсам и материалам Адаптирует уровень сложности заданий в зависимости от успеваемости студента Подбирает упражнения и темы в зависимости от уровня владения языком Различные плагины позволяют адаптировать содержание, темп и обратную связь
Адаптация темпа Позволяет студентам проходить курсы в своем темпе Студенты могут выбирать удобный для них темп обучения Темп обучения не адаптируется Пользователи могут выбирать интенсивность обучения Зависит от конкретного плагина
Адаптация обратной связи Предоставляет персонализированную обратную связь по результатам выполнения заданий Предоставляет персонализированную обратную связь и поддержку Предоставляет подсказки и рекомендации по решению задач Предоставляет мгновенную обратную связь по правильности выполнения упражнений Зависит от конкретного плагина
Технологии ИИ Машинное обучение (ML), глубокое обучение (DL) МЬ, DL ML МЬ МЬ, DL, зависит от конкретного плагина
Интеграция Интегрируется с различными системами, такими как lms и корпоративные порталы Интегрируется с 1ш8 и другими образовательными платформами Интегрируется с google classroom и другими образовательными инструментами Ограниченная интегрируется с некоторыми приложениями и сервисами Moodle имеет широкие возможности интеграции
Платформа Coursera edX Khan Academy Duolingo Moodle + AI плагины
Доступность Широкая доступна во многих странах мира Широкая Широкая Широкая Зависит от плагина
Дополнительные возможности Сертификаты об окончании курсов, мобильное приложение, форумы для общения с другими студентами Сертификаты, мобильное приложение, возможность общения с преподавателями Видеоуроки, упражнения, тесты по различным предметам, от математики до истории Игровой подход к обучению, мобильное приложение, возможность общения с другими пользователями Различные функции в зависимости от плагинов, например, адаптивные тесты, чат-боты для поддержки студентов
Примеры использования Различные курсы от ведущих университетов и организаций мира, например, "Machine Learning" от Stanford University Курсы от Harvard University, MIT, Berkeley и других университетов, например, "Introduction to Computer Science" от Harvard Обучение школьников и студентов по различным предметам, например, алгебра, физика, программирование Изучение различных языков, например, английского, испанского, французского, немецкого Использование в университетах и школах для организации онлайн-курсов и смешанного обучения
Рассмотренные платформы массового онлайн-образования предлагают курсы, адаптированные к широкому кругу слушателей, и используют ИИ для анализа общей активности студентов. Как правило, они включают простые инструменты аналитики: данные о прохождении курсов, времени выполнения и оценках.
Дальнейший анализ образовательных ИИ инструментов позволил нам выявить относительно новый класс платформ, отличающихся функционалом, уровнем персонализации и подходом к использованию данных об обучении. Они обеспечивают глубокую аналитику и адаптивное обучение.
IntelliBoard - аналитическая платформа, интегрируемая с системами управления обучением (например, Moodle), для создания детализированных отчетов и анализа учебной активности. Она фокусируется на визуализации данных, помогающей преподавателям и администраторам лучше отслеживать успехи студентов и выявлять области, требующие дополнительной поддержки [6].
Knewton - адаптивная платформа, специализирующаяся на создании персонализированных учебных траекторий. Она активно использует алгоритмы ИИ для подстройки учебного материала
под потребности каждого студента, выявления его пробелов в знаниях и формирования индивидуальных рекомендаций [7].
Этот класс образовательных платформ позволяет собирать всестороннюю аналитику и глубокие отчеты, полезные для педагогов, которые могут использовать отчеты для точного определения проблемных зон, анализа успеваемости и принятия решений для улучшения учебного процесса. В исследованиях последних лет рассматривается, как ИИ может быть применен для создания адаптивных персонализированных систем обучения [8]. Системы, подобные Intelliboard и Knewton, анализируют широкий пул поведенческих данных студентов, чтобы оперативно подстраивать сложность материала и учебные задачи под их индивидуальные нужды [9]. Сравнительный анализ, представленный в таблице 2, показывает, что такие инструменты служат скорее дополнениями для существующих образовательных платформ, усиливая возможности аналитики и персонализации, а не заменяют собой платформы для массового онлайн-образования. Эти различия позволяют использовать их в связке, чтобы улучшить обучение, повышая гибкость и адаптивность учебного процесса.
Таблица 2.
ный анализ
Платформа Основное назначение Уровень персонализации Аналитика данных Примеры использования
IntelliBoard Аналитика для образовательных платформ (в основном, Moodle) Низкий уровень персонализации: акцент на аналитике для преподавателей Глубокая аналитика по успеваемости и активности студентов Отслеживание успеваемости, отчетность для администраторов и преподавателей
Knewton Создание адаптивных курсов с персонализированным контентом Высокий уровень персонализации: индивидуальные траектории обучения Базовая аналитика, интегрированная в адаптивный учебный процесс Индивидуализация содержания курсов для повышения эффективности обучения
Платформа Основное назначение Уровень персонализации Аналитика данных Примеры использования
Coursera Платформа массового онлайн-образования с широким выбором курсов Базовый уровень: рекомендации курсов на основе интересов Базовая аналитика: успеваемость, время выполнения заданий Массовое онлайн-обучение с курсовыми рекомендациями
edX Платформа онлайн-курсов, партнерствующая с университетами Базовый уровень: рекомендации курсов Базовая аналитика, похожая на Coursera Университетские онлайн-курсы, сертификаты
Khan Academy Бесплатная образовательная платформа с интерактивными курсами и заданиями Ограниченная адаптация темпа обучения на основе результатов Базовая аналитика: успеваемость по темам Самостоятельное обучение в формате видеоуроков и тестов
Duolingo Платформа для изучения языков с элементами адаптивности Средний уровень: адаптация упражнений под уровень знаний Простейшая аналитика: выполнение и прогресс Изучение языков с использованием геймификации
Moodle с ИИ-плагинами Платформа управления обучением с дополнительными ИИ-модулями для адаптации содержания Средний уровень персонализации: ИИ-плагины предлагают индивидуальные задания Основная аналитика по активности и посещаемости Внутреннее использование учебными заведениями для создания курсов
Отдельный пласт исследований, примерами которых являются работы Тан С.К., Ли А.В.Ю., Ли М., [10], Хадвина А., Ярвеля С., Миллера М. [11], касаются разработки интерактивных и социально-ориентированных платформ для улучшения когнитивных и социальных навыков студентов, а также подчеркивают потенциал ИИ для формирования навыков саморегулирования обучения [12] в рамках так называемого «социально-конструктивистского подхода» [13]. В рамках этого подхода считается, что человек усваивает знания не просто самостоятельно, а в сообществе, в результате взаимодействий, обсуждений и совместной деятельности.
В ряде исследований анализируется эффективность различных подходов к персонализации. В большинстве публикаций (75%) отмечается положительное влияние ИИ на успеваемость и мотивацию студентов. В частности, Эльшани Л., Нучи К.П. [14] рассматривают адаптивные системы, индивидуализированные образовательные маршруты, созданные на базе ИИ, которые настраивают образовательный процесс в соответствии с учебными предпочтениями и целями студентов. Это положительно влияет на успеваемость и мотивацию обучающихся, увеличивает эффективность обучения и поддерживает интерес к учебе, что, в свою очередь, способствует росту успеваемости [15].
Кроме того, проведенный нами контент-анализ позволил выявить факторы, влияющие на внедрение ИИ в образовательный процесс. Было выявлено, что в настоящее время эффективность использования ИИ в образовании во многом зависит от качества используемых данных [16], собираемой статистики и ее корректной интерпретации [17], вариативности алгоритмов [18]. Также проблемы внедрения ИИ в обучение часто связаны с ограничениями технологий и сложностью адаптации контента для разных типов учащихся [19].
Обсуждение
Проведенный нами анализ платформ и анализ научных исследований показал, что персонализация обучения с помощью ИИ имеет огромный потенциал для повышения эффективности и доступности образования, развитии мотивации и оптимизации учебного процесса. ИИ может:
• адаптировать учебный процесс к индивидуальным потребностям каждого студента, что приводит к лучшему усвоению материала и повышению успеваемости.
• учитывать интересы и цели студента, реализуя персонализированный подход в массовом образовании, что делает обучение более увлекательным и стимулирует к достижению лучших результатов.
• выявлять пробелы в знаниях, предлагать индивидуальные задания и обратную связь, а также оптимизировать темп обучения.
• сделать персонализированное обучение доступным для большего числа студентов, независимо от их местоположения и материальных возможностей.
Однако, для успешного внедрения ИИ в образовательную практику ВУЗов необходимо учитывать недостатки персонализации обучения с помощью, которым присущи современные модели на базе ИИ. А именно:
• Ограниченность данных - эффективность ИИ зависит от качества и количества данных о студентах. Недостаток данных или их некорректная интерпретация могут привести к неточным рекомендациям.
• Сложность внедрения в образование, которое требует значительных инвестиций в технологии [20], обучение преподавателей и адаптацию учебного контента.
• Этические вопросы - сбор и использование данных о студентах, а также применение ИИ для принятия решений, поднимают этические вопросы,
связанные с конфиденциальностью данных, безопасностью и ответственностью их хранения, прозрачностью, объяснимостью алгоритмов и результатов обучения для всех сторон образовательного процесса, справедливостью и беспристрастностью. Студенты должны иметь возможность контролировать использование своих данных и принимать решения о своем обучении.
Дальнейшее развитие технологий ИИ и интеграция с другими технологиями откроют новые возможности для персонализации обучения и создания адаптивных обучающих сред, среди которых мы можем выделить:
• Дальнейшее развитие технологий ИИ, таких как машинное обучение и глубокое обучение.
• Интеграцию ИИ с другими технологиями, такими как виртуальная и дополненная реальность, блокчейн и интернет вещей.
• Создание адаптивных обучающих сред, которые могут динамически подстраиваться под потребности каждого студента.
ноябрь, 2024 г.
• Разработка этических стандартов и рекомендаций по использованию ИИ в образовании, которая поможет обеспечить безопасность, конфиденциальность и справедливость.
Заключение
Персонализация обучения с помощью ИИ имеет большой потенциал для повышения эффективности и доступности образования. ИИ может адаптировать учебный процесс к индивидуальным потребностям каждого студента, что приводит к лучшему усвоению материала и повышению успеваемости.
Однако для успешного внедрения ИИ необходимо учитывать этические аспекты и разрабатывать соответствующие стандарты.
Дальнейшее развитие технологий ИИ и интеграция с другими технологиями откроют новые возможности для персонализации обучения и создания адаптивных обучающих сред.
Список литературы:
1. Абдураззакова Д.А., Абдурашидов И.Ж., Алимарданов Р.А. Цифровые приложения в преподавании технических дисциплин // Интернаука: электрон. научн. журн. - 2022. - №. 2. - С. 225.
2. Шобонов Н.А., Булаева М.Н., Зиновьева С.А. Искусственный интеллект в образовании // Проблемы современного педагогического образования. - 2023. - №. 79-4. - С. 288-290.
3. Sharifbaeva H.Y., Togaev G.S., Shamsiddinova E.M. Internal factors of student self-organization of educational activities //Nauchnyj zhurnal. - 2018. - №. 9 (32). - С. 53.
4. Вайнштейн Ю.В. Педагогическое проектирование персонализированного адаптивного предметного обучения студентов вуза в условиях цифровизации: дис. - Сибирский федеральный университет, 2021.
5. Соколов Н.В., Виноградский В.Г. Искусственный интеллект в образовании: анализ, перспективы и риски в РФ //Проблемы современного педагогического образования. - 2022. - №. 76-2. - С. 166-169.
6. Садыкова А.Р., Крикунов А.С. Анализ лучших практик развития массовых открытых онлайн-курсов и систем управления обучением // Вестник МГПУ. Информатика и информатизация образования. - 2023. - № №4 (66). -С. 51-66.
7. Якубов М.С. и др. Анализ и новые тенденции использования нейросетей и искусственного интеллекта в современной системе высшего образования //Экономика и социум. - 2021. - №. 5-2 (84). - С. 1148-1162.
8. Tapalova O., Zhiyenbayeva N. Artificial intelligence in education: AIEd for personalised learning pathways // Electronic Journal of e-Learning. - 2022. - Т. 20. - №. 5. - С. 639-653.
9. Zhang K., Aslan A.B. AI technologies for education: Recent research & future directions //Computers and Education: Artificial Intelligence. - 2021. - Т. 2. - С. 100025.
10. Tan S.C., Lee A.V.Y., Lee M. A systematic review of artificial intelligence techniques for collaborative learning over the past two decades //Computers and Education: Artificial Intelligence. - 2022. - Т. 3. - С. 100097.
11. Hadwin A., Jârvelâ S., Miller M. Self-regulation, co-regulation, and shared regulation in collaborative learning environments //Handbook of self-regulation of learning and performance. - Routledge, 2017. - С. 83-106.
12. Шарифбаева Х., Абдураззакова Д. Возможности дистанционного образования при формировании навыков самообразования у студентов //Архив научных исследований. - 2022. - Т. 2. - №. 1.
13. Завьялова М.П. Проблема совместимости натуралистически-эссенциалистского и социально-конструктивистского подходов в познании и преобразовании социальных объектов //Вестник Томского государственного университета. Философия. Социология. Политология. - 2017. - №. 39. - С. 102-112.
14. Elshani L., Nuçi K.P. Constructing a personalized learning path using genetic algorithms approach //arXiv preprint arXiv:2104.11276. - 2021.
15. Шамсутдинова Т.М. Формирование индивидуальной образовательной траектории в адаптивных системах управления обучением //Открытое образование. - 2021. - Т. 25. - №. 6. - С. 36-44.
16. Гриншкун В.В. Проблемы и пути эффективного использования технологий информатизации в образовании // Вестник Московского университета. Серия 20. Педагогическое образование. - 2018. - №. 2. - С. 34-47.
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
17. Шабоха С.Л., Кузнецова И.О. Новые возможности искусственного интеллекта для преподавателей в образовании // Сборник научных трудов студентов, аспирантов, магистрантов и. - 2024. - С. 176.
18. Дробахина А.Н. Информационные технологии в образовании: искусственный интеллект // Проблемы современного педагогического образования. - 2021. - №. 70-1. - С. 125-128.
19. Другова Е.А. и др. Искусственный интеллект для учебной аналитики и этапы педагогического проектирования: обзор решений // Вопросы образования. - 2022. - №. 4. - С. 107-153.
20. Шарифбаева Х.Я., Абдурашидов И.Ж.У., Алимарданов Р.А.У. Возможности и перспективы развития мобильных технологий в высшем техническом образовании //Universum: технические науки. - 2022. - №. 1-1 (94). -
21. Шарифбаева Х.Я., Абдурашидов И.Ж.У. Общеметодическая подготовка преподавателей специальных дисциплин в технических вузах //Вестник науки и образования. - 2020. - №. 23-3 (101). - С. 49-51.
22. Шарифбаева Х.Я., Абдурашидов И.Ж., Опыт подготовки преподавателей технических дисциплин в ведущих вузах мира// Вестник науки и образования. 2021. №7(110). С. 27-29.
23. Шарифбаева Х.Я., Абдурашидов И.Ж. Перспективы использования мобильных технологий в образовательном процессе // Вестник науки и образования. 2021. №17-2 (120). С. 85-87.
24. Шарифбаева Х.Я. Реализация преемственности модели STEM на всех уровнях образования //Проблемы педагогики. - 2023. - №. 1 (62). С. 7-10.
25. Шарифбаева Х.Я., Абдурашидова М.Ж. Интегрирование в образование стратегии формирования STEM-компетенций: комплексный анализ от начальной до высшей школы // Экономика и социум. 2024. №1 (116). -
26. Sharifbaeva K. et al. Formation of methodical competence of special subjects teachers in technical universities // AIP Conference Proceedings. - AIP Publishing, 2022. - Т. 2432. - №. 1.
27. Sharifbaeva K.Y., Abdurashidov I.Z., Alimardanov R.A. Training of road construction engineers // Universum: технические науки: электрон. научн. журн. 2022. 1(94).
С. 13-15.
С. 1673-1683.
