Аналіз результатів адаптивного навчання здобувачів із застосуванням нейронної LSTM-мережі
DOI:
https://doi.org/10.30837/0135-1710.2025.184.070Ключові слова:
адаптивне навчання, машинне навчання, нейронні мережі, прогнозування успішності, освітні технології, математичне моделювання, методи оптимізації, теорія ймовірностей, чисельні методиАнотація
Об’єктом дослідження є процес адаптивного управління навчанням шляхом використання методів штучного інтелекту. Розглянуто застосування нейронних мереж для аналізу відповідей здобувачів та визначення прогалин у знаннях. Основну увагу приділено оцінюванню ефективності моделі довгої короткочасної пам’яті (LSTM) у прогнозуванні результатів тестування на основі історії відповідей користувача.
Запропонований підхід ґрунтується на аналізі послідовності відповідей здобувача та використанні навчальних даних для виявлення закономірностей у його успішності. Порівняння з іншими засобами машинного навчання, такими як градієнтний бустинг (XGBoost) та випадковий ліс (Random Forest), показало конкурентну точність LSTM. Найефективнішим виявився підхід, що дозволяє не лише передбачати правильність відповідей, а й виявляти потенційні проблеми у сприйнятті матеріалу.
Результати дослідження свідчать про те, що використання нейромережевих моделей у навчальному процесі сприяє підвищенню ефективності адаптивного навчання. Аналіз ключових навчальних патернів дозволив визначити основні фактори, що впливають на успішність здобувачів. Виявлено, що LSTM може коригувати індивідуальну траєкторію навчання, рекомендуючи додаткові матеріали або зміни у викладанні тем, які викликають труднощі.
Запропоновану методику можна застосовувати при створенні автоматизованих систем підтримки викладачів та персоналізованого навчання. Вона може використовуватися у цифрових освітніх платформах для визначення слабких місць у знаннях здобувачів та адаптації навчального процесу до їхніх індивідуальних потреб. Очікується, що інтеграція таких технологій сприятиме підвищенню рівня засвоєння матеріалу та зменшенню кількості повторних помилок під час навчання.
Посилання
Uhryn, D. I., Masikevych, A. Y., & Iliuk, O. D. (2024). Hybrid evolutionary algorithm for effective adaptive learning of medical students. Herald of Advanced Information Technology, 7(4), 424–436. https://doi.org/10.15276/hait.07.2024.31
Nalyvaiko, O., Malysh, K., Prykhodko, Y., & Chaban, S. (2024). Neural networks at the service of education: challenges of the new era of educational transformation. Scientific Notes of the Pedagogical Department (V. N. Karazin Kharkiv National University), (54), 98–109. https://doi.org/10.26565/2074-8167-2024-54-09
Xie, Y. (2021). Student Performance Prediction via Attention-Based Multi-Layer Long-Short Term Memory. Journal of Computer and Communications, 9(8), 61–79. https://doi.org/10.4236/jcc.2021.98005
Su, H., Liu, X., Yang, S., & Lu, X. (2023). Deep knowledge tracing with learning curves. Frontiers in Psychology, 14, 1150329. https://doi.org/10.3389/fpsyg.2023.1150329
Ahmadian Yazdi, H., Seyyed Mahdavi, S. J., & Ahmadian Yazdi, H. (2024). Dynamic educational recommender system based on Improved LSTM neural network. Scientific Reports, 14(1), 4381. https://doi.org/10.1038/s41598-024-54729-y
Jing, Y., Zhao, L., Zhu, K., Wang, H., Wang, C., & Xia, Q. (2023). Research Landscape of Adaptive Learning in Education: A Bibliometric Study on Research Publications from 2000 to 2022. Sustainability, 15(4), 3115. https://doi.org/10.3390/su15043115
Ma, Y., Wang, L., Zhang, J., Liu, F., & Jiang, Q. (2023). A Personalized Learning Path Recommendation Method Incorporating Multi-Algorithm. Applied Sciences, 13(10), 5946. https://doi.org/10.3390/app13105946
Imbernón Cuadrado, L. E., Manjarrés Riesco, Á., & de la Paz López, F. (2023). Using LSTM to Identify Help Needs in Primary School Scratch Students. Applied Sciences, 13(23), 12869. https://doi.org/10.3390/app132312869
Rabin, R., Djerbetian, A., Engelberg, R., & Hackmon, L. (2023). Covering uncommon ground: Gap-focused question generation for answer assessment. In Proceedings of the 61st Annual Meeting of the ACL (Vol. 2: Short Papers) (pp. 215–221). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.acl-short.20
Пікуляк, М. В., Кузь, М. В., & Ворощук, О. Д. (2022). Удосконалення інформаційної технології побудови системи дистанційної освіти із застосуванням гібридного алгоритму навчання. Інформаційні технології і засоби навчання, 88(2), 167–184. https://doi.org/10.33407/itlt.v88i2.4434
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Buckingham Shum, S., … & Bittencourt, I. I. (2022). Ethics of AI in Education: Towards a community-wide framework. International Journal of Artificial Intelligence in Education, 32(4), 504–526. https://doi.org/10.1007/s40593-022-00312-8
Binhammad, M. H. Y., Othman, A., Abuljadayel, L., Al Mheiri, H., Alkaabi, M., & Almarri, M. (2024). Investigating How Generative AI Can Create Personalized Learning Materials Tailored to Individual Student Needs. Creative Education, 15(7), 1499–1523. https://doi.org/10.4236/ce.2024.157091
Mazurok, T. L. (2024). Роль засобів штучного інтелекту у формуванні систем адаптивного управління навчанням. В Матеріали X міжнар. конф. з адаптивних технологій управління навчанням ATL-2024. Одеса–Київ: ІЦО НАПН України, 11–12.
Medvediev, M. O. (2024). Застосування технологій штучного інтелекту для автоматизації оцінювання знань у адаптивних навчальних системах. В Матеріали X міжнар. конф. ATL-2024. Одеса–Київ: ІЦО НАПН України, 49–50.
Ryakov, O. A., & Vankovych, N. A. (2024). Адаптивне управління процесом навчання здобувачів на основі аналізу графа понять PKM Obsidian. В Матеріали X міжнар. конф. ATL-2024. Одеса–Київ: ІЦО НАПН України, 43–44.
