Что касается отношения самих учителей к возможностям ИИ и нейросетей, то их позиция в целом положительная. По западным исследованиям, около 30% учителей и преподавателей вузов сообщили об использовании средств на базе искусственного интеллекта, позволяющего генерировать текст, для планирования уроков; 30% заявили, что начали использовать данные технологии при разработке творческих идей и новых форматов занятий, а 27% - что они помогли получить интересный материал, который в дальнейшем был использован для уроков и занятий.
Анализ имеющейся информации по направлениям применения нейросетей позволяет выявить ряд наиболее характерных для них задач в системе образования: прогнозирование оценок обучающихся (нейросети могут анализировать данные об успеваемости учеников, студентов, их посещаемости, выполнении домашних заданий и других факторах, чтобы предсказать их будущие оценки); автоматическое оценивание тестов и заданий (нейросети могут быть использованы для быстрого и точного анализа письменных работ студентов и выставления оценок); адаптивное обучение (нейросети используются для создания индивидуальных планов обучения для каждого студента, учитывая уровень знаний, интересы и цели обучающихся); разработка рекомендаций по обучению (нейросети помогают определить, какие курсы или материалы могут быть наиболее полезными для обучающихся на основе их предыдущих результатов и интересов); определение мошенничества и списывания (нейросети анализируют поведение студентов во время зачетов, экзаменов и могут обнаружить аномалии, которые укажут на списывание или мошенничество); распознавание речи и текста (нейросети позволяют создавать системы, которые могут распознавать голос и текст, что может быть полезно для проведения онлайн-занятий, проверки домашних заданий и др.).
Данный перечень далеко не исчерпывающий и отражает наиболее характерные направления по использованию нейросетей и средств ИИ (на данном уровне) в образовании [18]. Причем следует отметить, что отдельные задачи из списка напрямую направлены на контроль со стороны преподавателя за качественной работой студента, в том числе и на выявление недобросовестного выполнения домашних заданий, особенно творческого характера.
В настоящее время ведутся исследования (О.А. Козлова, А.А. Протасова) по возможности применения нейронных сетей в составе дистанционных образовательных технологий, в частности, для идентификации обучающихся; подбора конкретных обучающихся курсов под задачи, которые ставит перед собой обучающийся (с учетом личностных потребностей в обучении); разработки тестовых заданий и проверки правильности и полноты их решения; для подготовки траекторий прохождения того или иного курса в зависимости от образовательных потребностей и успехов [9]. Также представляет интерес опыт разработки набора нейтронных сетей (А.А. Микрюков, А.В. Бабаш, В.А. Сизов) для решений задач классификации событий в системах обеспечения информационной безопасности и анализа вероятности появления нестандартных ситуаций в медицинских системах [13].
В работах А.А. Мицель, А.А. Погуда, К.А. Семенова ведется разработка вариантов применения аппарата нейронной сети для тестирования знаний, где представляется опыт использования собственной разработки на основе сети Кохонена [14]. Применение здесь специального типа нейронной сети для решения задачи кластеризации (в областях распознавания образов, диагностики, классификации, в кластеризации данных, в прогнозировании, в сфере оптимального управления) должно позволить обеспечить контроль за реализацией учебных планов и провести оптимизацию финансовых затрат вуза. Анализируя задачи, которые исследователи ставят перед своими системами на основе ИИ, можно отметить, что это как раз те задачи, которые способны снизить нагрузку как на административный, так и на профессорско-преподавательский состав: оптимизация распределения аудиторного фонда, материально-технических средств и технических средств обучения; составление расписаний и их оперативная корректировка, своевременная корректировка образовательных программ, распределение учебной нагрузки профессорско-преподавательского состава; реализация оптимальной учебной траектории персонализированного обучения и др.
Показательно, что в связи с глобальной цифровизацией в рамках развития цифровой экономики, распространения ИИ и нейросетей, активно, по мнению А. Баранова, А. Войскунского и др., формируется новая отрасль психологии - киберпсихология (психология Интернета), объединяющая методологию, теорию и практику исследования видов, способов и принципов использования людьми социальных сервисов Интернета. В этом ключе не удивительно, что и в работах отечественных ученых и исследователей уже есть не менее кардинальные планы: В. В. Казачёнок предлагает выделить как отдельное направление в рамках общей концепции применения нейронных сетей идею формирования педагогического направления «нейропедагогика» [8]. Уже формулируется одна из задач нейропедагогики - определить, каким образом можно повысить эффективность обучения, используя новейшие знания о человеческом мозге. И это все нельзя не замечать и не учитывать. Научное сообщество активно изучает опыт российских и китайских вузов по измерению вовлеченности студентов в процесс обучения путем использования системы распознавания эмоций для оперативного выявления изменений качества занятий, и здесь также нельзя обойтись без достижений в области ИИ и нейросетей [2; 15; 18]. Безусловно, новые работы по этому направлению охватывают не только педагогику и психологию, но и социологию, психодиагностику, вычислительную математику, информационные технологии, информационные системы.
Рассмотренные подходы позволяют перейти к созданию целостной модели образовательной SMART-среды высшего учебного заведения, способной осуществлять сопровождение обучения студентов на всех этапах освоения образовательной программы. В общем виде данная модель представляет собой совокупность систем и компонентов, обеспечивающих решение следующих задач: идентификация обучающегося и определение его уровня подготовки; анализ предпочтений, интересов и склонностей обучающихся по «цифровому следу» для целевой и точечной работы с аудиторией, формирования расширенного цифрового профиля; формирование индивидуальных траекторий обучения с учетом существующего уровня компетенций; автоматизация процессов проверки творческих текстовых заданий с применением алгоритмов распознавания, используя нейросети.
Одним из ключевых компонентов модели должен стать модуль анализа цифрового следа и формирования цифрового профиля студентов. Как нами отмечалось ранее [17], под цифровым следом мы будем понимать уникальный набор действий пользователя в сети Интернет. Это достаточно важная задача, так как цифровые данные, оставленные человеком в Сети, могут использоваться для моделирования и предсказания отдельных психологических черт личности [7]. Анализируемые параметры профилей обучающихся позволят выявить среди них тех, кто открыт к поиску конкретных знаний в изучаемой области, определить направления их мотивации к обучению, что обеспечит плановость индивидуальной работы с предложением конкретных творческих заданий, дополнительных курсов и проектов. Для построения цифрового профиля обучающегося потребуется разработка алгоритма выбора и подготовки набора данных по определению сегментированной целевой аудитории и их агрегации, что можно решить средствами искусственного интеллекта и нейросетей [7].
В рамках запланированного исследования нами будут использованы методы междисциплинарного анализа и синтеза философской, методологической, педагогической, психологической, социально-экономической литературы, литературы по IT-технологиям и сетевым сервисам. Для разработки концепции предлагаемой модели образовательной SMART-среды - экспертная оценка, обобщение, систематизация, моделирование, проектирование систем и процессов. Кроме этого, нами будут использованы лингвистический анализ данных (на основе LIWC и NLTK) и методы психодиагностики (тестирование и опросы), так как без них невозможна работа с пользовательскими данными социальных сетей студентов образовательных организаций по выявлению их образовательных запросов и потребностей, которые позволят решить задачу проектирования индивидуальных образовательных траекторий личностного и профессионального развития. Основу тестовых методик составят тесты интеллекта, тесты специальных способностей, в первую очередь - способностей к определенному виду деятельности (лингвистические, управленческие, педагогические, технологические и т.п.); тесты креативности, предназначенные для измерения творческих способностей [5]. В качестве одного из элементов искусственного интеллекта планируется применить сверточные нейронные сети CNN.
Метод анализа пользовательских данных на основе морфологии и синтаксиса текстовых и графических блоков, подписок на аккаунтах обучающихся (пользователей сетей) позволит определить личностные характеристики владельцев, обосновать связи между цифровыми данными из профилей пользователей в сетях Интернет и их реальными демографическими, социальными и психологическими характеристиками и профессиональными наклонностями. В дальнейшем методы корреляционного анализа, интерпретации данных, метод таксонометрии обеспечат формирование сегментированной целевой аудитории и их агрегацию.
Результаты
педагогический интеллектуальный цифровой образовательный нейросеть
На первом этапе исследования нами проведен анализ предпочтений и интересов студентов педагогических специальностей («Психолого-педагогическое образование», «Педагогическое образование с двумя направлениями подготовки», «Педагогическое образование»), обучающихся по программам бакалавриата, а также выявлены их отношение и интерес к использованию нейросетей. В качестве основных вопросов, которые были заданы обучающимся, фигурировали вопросы о том, как они оценивают возможность использования нейросетей при выполнении творческих заданий, как это могло бы отразиться на качестве получаемых знаний, как это может сказаться на общей мотивации к учебе. Опросными методами были определены приоритеты обучающихся в пользовании теми или иными ресурсами и сервисами Интернета. В дальнейшем это было использовано для настройки алгоритмов, работающих на основе нейросети, в частности, при разработке и апробации алгоритмов выбора и подготовки набора данных по определению сегментированной целевой аудитории, что использовалось для построения цифрового профиля обучающегося вуза и его коррекции.
Последующий анализ цифровых следов студентов в социальных сетях позволил получить данные, которые были соотнесены с данными, полученными традиционным образом. Такой способ позволил проверить работоспособность алгоритма на основе нейросети и провести его корректировку в рамках машинного обучения. Полученные результаты позволили сформировать массив исходных данных для решения следующей задачи по прогнозу уровня мотивации к обучению по определенным направлениям («Педагогика», «Психология», «Социология» и другие гуманитарные дисциплины) с учетом интеллектуального развития и креативности, скорректировать перечень предлагаемых дисциплин и курсов, кроме того, нами прорабатываются подходы к выработке исходных данных для студентов, обучающихся по направлениям фундаментальных наук (физика, химия, история).
Каждый обучающийся рассматривался как основа для формирования личной (персональной) модели, которая в дальнейшем будет включена в базу создаваемой модели образовательной SMART-среды. Собранные данные по тестированию обучающихся в локальных тестовых LMS-системах и интернет-опросах в дальнейшем использовались и обрабатывались с применением нейросетевых моделей на предмет определения текущего уровня сформированное™ компетенций. В качестве основных показателей, которые применялись для оценки, были использованы итоговые отметки за вопросы тестовых заданий с учетом их сложности, время, потраченное на ответы, количество попыток, которые были затрачены на решение всего теста, количество тем и разделов дисциплин, из которых были собраны данные тестовые задания, а также типы тестовых заданий (выбор, соответствие, соотнесение, логика). Полученные данные позволят проводить дифференциацию предлагаемого учебного материала по уровню сложности, по уровню творчества, по проблемности, по объему материала, по степени самостоятельности, по корреляции с будущей профессиональной деятельностью выпускника и, соответственно, подбирать или формировать учебный курс, максимально востребованный обучающимися. В результате данная адаптация учебных программ на основе предлагаемой дифференциации будет способствовать повышению качества обучения студентов и конструированию индивидуальных траекторий обучения.
Особую сложность в работе представляет обоснование и построение типовой и индивидуальной траекторий обучения, требующих, прежде всего, выбора преимущественного направления реализации траектории (содержательного, деятельностного или процессуального) [10]. В соответствии с приоритетом направления реализации траектории необходимо выстроить инвариантные и вариативные блоки-модули. Данные блоки-модули в русле приоритета содержательного направления должны включать освоение содержания на том уровне, который соответствует возможностям, интересам, потребностям обучающихся, в русле приоритета деятельностного направления - реализацию через специфические образовательные технологии. Процессуальное направление отдает приоритет организационному аспекту образовательного процесса. Логическим продолжением заданного процесса и будет создание нейросетевой модели для решения поставленных образовательных задач.
Заключение
Внедрение искусственного интеллекта и нейросетей на его основе позволит расширить возможности существующих дидактических систем, использующих известные программные средства и цифровые сервисы (массовые открытые онлайн-курсы, адаптированные тестовые системы, конструкторы индивидуальных образовательных траекторий). Это, в свою очередь, даст возможность реализовать высокий уровень персонализации и на практике осуществлять личностно ориентированное обучение на принципах высокой дифференциализации и адаптивности, что позволит повысить качество обучения студентов и, как результат, качество подготовки специалистов.