К вопросу о применении интеллектуальной системы цифрового мониторинга для прогнозирования и анализа успеваемости обучающихся

Статья в сборнике трудов конференции
DOI: 10.31483/r-106946
Open Access
III Региональная научно-практическая конференция «Психолого-педагогические исследования – Тульскому региону»
Creative commons logo
Опубликовано в:
III Региональная научно-практическая конференция «Психолого-педагогические исследования – Тульскому региону»
Автор:
Бражникова С. С. 1
Рубрика:
Психолого-педагогические аспекты управления в системе образования
Страницы:
335-341
Получена: 23.05.2023

Рейтинг:
Статья просмотрена:
1199 раз
Размещено в:
РИНЦ
1 Курский государственный университет
Для цитирования:
Бражникова С. С. К вопросу о применении интеллектуальной системы цифрового мониторинга для прогнозирования и анализа успеваемости обучающихся: сборник трудов конференции. // Психолого-педагогические исследования – Тульскому региону : материалы III Регион. науч.-практ. конф. магистрантов, аспирантов, стажеров (Тула, May 18, 2023) / editorial board: С. В. Пазухина [etc.] – Чебоксары: «Лару-тăру» («Среда») издательство çурчě, 2023. – pp. 335-341. – ISBN 978-5-907688-34-6. – DOI 10.31483/r-106946.

Аннотаци

В статье рассмотрены современные аспекты применения интеллектуальных систем цифрового мониторинга в контексте прогнозирования и анализа успеваемости обучающихся, представлен анализ опыта смешанного обучения и существующие цифровые образовательные ресурсы, которые дают возможность как сбора предварительных данных для дальнейшего моделирования и прогнозирования поведения обучающихся, так и для выстраивания индивидуальной образовательной траектории.

Финансовая поддержка

Номер гранта

Российский Фонд Фундаментальных Исследований 91-29-14188\19
Опубликовано при поддержке гранта РФФИ №91-29-14188/19 «Совершенствование содержания общего образования на основе использования интеллектуальных систем для цифрового мониторинга образовательного процесса».

Список литературы

  1. 1. Бражникова С.С. Преимущества использования интеллектуальных систем для цифрового мониторинга в образовательных учреждениях / С.С. Бражникова // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы IV Международной научной конференции (Красноярск, 6–9 октября 2020 года). – В 2 ч. – Красноярск: Сибирский федеральный университет, 2020. – С. 382–385. – EDN XBJWRY.
  2. 2. Гостева И.Н. Анализ цифрового следа обучающихся с использованием технологий больших данных / И.Н. Гостева, С.С. Бражникова // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы IV Международной научной конференции (Красноярск, 6–9 октября 2020 года). В 2 ч. Ч. 2. – Красноярск: Сибирский федеральный университет, 2020. – С. 409–413. – EDN CICBAW.
  3. 3. Зачем раскладывать образование на навыки, и как это работает в Яндекс Учебнике // Яндекс.Учебник [Электронный ресурс]. – Режим доступа: https://teacher.yandex.ru/posts/zachem-raskladyvat-obrazovanie-na-navyki-i-kak-eto-rabotaet-v-yandeks-uchebnike (дата обращения: 21.12.2022).
  4. 4. Об утверждении федерального перечня электронных образовательных ресурсов, допущенных к использованию при реализации имеющих государственную аккредитацию образовательных программ начального общего, основного общего, среднего общего образования: Приказ Министерства просвещения РФ от 2 августа 2022 г. №653 [Электронный ресурс]. – Режим доступа: https://docs.edu.gov.ru/id3328 (дата обращения: 21.12.2022).
  5. 5. Рейтинг для школ: как и зачем оценивают образовательные учреждения // Официальный портал Мэра и Правительства Москвы: офиц. сайт [Электронный ресурс]. – Режим доступа: https://www.mos.ru/news/item/19677073/?ysclid=lcvqeef7xl331160498 (дата обращения: 21.12.2022).
  6. 6. Рубцов Г.И. Смешанное обучение: анализ: трактовок понятия / Г.И. Рубцов, Н.В. Панич // Отечественная и зарубежная педагогика. – 2016. – №5 (32) [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/smeshannoe-obuchenie-analiz-traktovok-ponyatiya (дата обращения: 15.01.2023).
  7. 7. Shahiri A.M., Husain W., A. Rashid, Rashid N. A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 2015, vol. 72, pp. 414–422.
  8. 8. Mueen A., Zafar B., Zafar B., Manzoor U. Modeling and predicting students’ academic performance using data mining techniques. International Journal of Modern Education and Computer Science, 2016, vol. 8, no. 11, pp. 36–42.
  9. 9. Salah Hashim A., Akeel Awadh W., Khalaf Hamoud A. Student performance prediction model based on supervised machine learning algorithms. IOP Conference Series: Materials Science and Engineering, 2020, vol. 928, no. 3, Article ID 032019.
  10. 10. Gray C.C., Perkins D. Utilizing early engagement and machine learning to predict student outcomes. Computers & Education, 2019, vol. 131, pp. 22–32.
  11. 11. Lykourentzou I., Giannoukos I., Mpardis G., Nikolopoulos V., Loumos V. Early and dynamic student achievement prediction in e-learning courses using neural networks. J. Am. Soc. Inf. Sci. Technol. 2009, 60, 372–380.
  12. 12. Kushwaha S., Bahl S., Bagha A.K. et al. Significant applications of machine learning for covid-19 pandemic. Journal of Industrial Integration and Management, 2020, vol. 05, no. 04, pp. 453–479.
  13. 13. Yadav S.K., Pal S. Data mining: a prediction for performance improvement of engineering students using classification, 2012, vol. 2, no. 2, pp. 51–56 [Electronic resource]. – Access mode: http://arxiv.org/abs/1203.3832

Комментарии(0)

При добавлении комментария укажите:
  • степень актуальности публикуемого материала;
  • общую оценку (оригинальность и актуальность темы, полнота, глубина, всесторонность раскрытия темы, логичность, связность, доказательность, структурная упорядоченность, характер и достоверность примеров, иллюстративного материала, убедительность выводов);
  • недостатки, недочеты;
  • вопросы и пожелания Автору.