О разработке адаптивной образовательной платформы с использованием технологий машинного обучения
DOI:
https://doi.org/10.52575/2687-0932-2022-49-4-810-819Ключевые слова:
искусственная нейронная сеть, машинное обучение, адаптивная образовательная платформа, образовательный контент, рекуррентная нейронная сеть, обработка текстов на естественном языкеАннотация
В исследовании рассматривается создание адаптивной автоматизированной платформы для обучения иностранному языку на примере Английского языка. Адаптивность системы заключается в формировании образовательного контента в разных наиболее удобных для обучающегося формах: графика, звук, текст. Для реализации механизма определения наиболее удобной формы образовательного контента используются несколько архитектур искусственных нейронных сетей, которые обучаются на подготовленных данных. Данные для обучения искусственных нейронных сетей включают в себя текст – эссе, написанный учеником, и категорию ученика, выявленную в результате прохождения специализированного тестирования. Рассматриваются четыре категории обучающихся: аудиал, визуал, кинестетик, дигитал. С использованием разработанной и обученной искусственной нейронной сети создан прототип веб-ориентированной программной платформы, которая «предлагает» обучающемуся написать небольшое эссе на иностранном языке, после чего данный текст обрабатывается рекуррентной искусственной нейронной сетью, которая относит обучающегося к одному из четырех классов. Далее, в зависимости от определенной категории обучающегося, формируется образовательный контент в удобном для него виде. В то же время тестирование обученных нейронных сетей показывает, что объем обучающей выборки недостаточный. Таким образом, в перспективе планируется сформировать более насыщенную обучающую выборку для реализации более качественного обучения искусственной нейронной сети.
Благодарности: работа выполнена при финансовой поддержке Министерства науки и высшего образования России, государственное задание № 0657-2020-0009.
Скачивания
Библиографические ссылки
Balalaie A.; Heydarnoori A.; Jamshidi P. 2016. Microservices Architecture Enables DevOps: Migration to a Cloud-Native Architecture. IEEE Software, 2016, Vol. 33, no. 3: 42-52.
Beazley D. M. 2009. Python Essential Reference. 4th Edition. Addison-Wesley Professional, 2009, 717 p.
Chen X., Liu X., Gales M.J.F., Woodland P.C. 2015. Recurrent neural networklanguage model training with noise contrastive estimation for speechrecognition. In Acoustics, Speech and Signal Processing (ICASSP): 5411 – 5415.
Chodorow K. 2013. MongoDB: The Definitive Guide, 2nd Edition. O’Reilly, 2013, 432 p.
Gers F. A.; Schmidhuber J. 2001. LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive Languages. IEEE Transactions on Neural Networks, 2001, Vol. 12, no. 6:1333—1340.
Graves A., Liwicki M., Fernandez S., Bertolami R., Bunke H., Schmidhuber J. 2009. A Novel Connectionist System for Improved Unconstrained Handwriting Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, no. 5.
Karol P. 2017. Review of the Socionic Model of Information Metabolism at Individual, Interpersonal and Societal Levels. SSRN Electronic Journal, doi:10.2139/ssrn.3001323.
Kuprieva I.D., Lazareva N., Serkina O., Romashina O., Filonova Y.G. 2020. Lexical-Semantic Analysis of English Phraseological Units with Phytonym Component. Journal of Research in Applied Linguistics, 2020, 11(SpecialIssue): 425–429.
Lai S., Xu L., Liu K., Zhao J. 2015. Recurrent Convolutional Neural Networks forText Classification. AAAI: 2267 – 2273.
Manning C.D., Schutze H. 1999. Foundations of statistical natural language processing. MIT press, 1999.
Matusugu M., Katsuhiko M., Yusuke M., Yuji K. 2003. Subject independent facial expression recognition with robust face detection using a convolutional neural network. Neural Networks, 2003, Vol. 16, no. 5: 555—559.
Zhikharev A.G., Deeney I.A., Igrunova S.V., Klyuchnikov D.A., Frolova A.Y. 2021. To the development of intelligent adaptive learning systems. Journal of Physics: Conference Series 2060 (1), 012012.
Маккини У. Python и анализ данных (пер. с анг. А.А. Слинкина). М.: ДМК Пресс, 2020, 540 с.
Маторин С.И., Жихарев А.Г. 2018. Формализация системно-объектного подхода «Узел-Функция-Объект». Прикладная информатика, 2018, Т. 13, № 3 (75): 124-135.
Маторин С.И., Жихарев А.Г. 2019. Системно-объектный подход как основа общей теории систем. Научные ведомости БелГУ. Сер. Экономика. Информатика, 2019, Т. 46, № 4: 717-730.
Пойнтер Я. 2020. Программируем с PyTorch: Создание приложений глубокого обучения. СПб.: Питер, 2020, 256 с.
Чиннатамби К. 2019. Изучаем React. СПб.:Питер, 2019, 368 с.
Шейнов В. 2001. Скрытое управление человеком. М.: ООО "Издательство АСТ", Мн.: Харвест, 357 с.
Шолле Ф. 2018. Глубокое обучение на Python. СПб.: Питер, 2018, 400 с.
Шолле Ф. 2018. Глубокое обучение на R. СПб.: Питер, 2018, 400 с.
Просмотров аннотации: 96
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2022 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
