Пискунов Л.А.
АНАЛИЗ И ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ *
Аннотация:
в статье рассматривается анализ и прогнозирование успеваемости студентов на основе нейронной сети
Ключевые слова:
нейросети, студенты, образование
Процесс познания и обучений у каждого студента происходит индивидуально. Поэтому порой стандартизированные методы образования, методика преподавания у преподавательского состава, оборудование и прочие факторы влияют на процесс образования у студента. Поэтому возникает необходимость в индивидуальной поддержке и предложению способов решения проблем к каждому студенту. В настоящее время большинство групп учащихся теряют половину своего состава к 3 курсу обучения. Часть студентов переводится на другие факультеты или группы, другая часть отчисляется. Теряется множество потенциальных специалистов, которые в последствии могли бы принести пользу не только своему университету, но и стране в целом. Поэтому важно заранее прогнозировать, когда студент не успевает за учебным планом и пресекать подобные случаи своевременной поддержкой. Прогнозирование успеваемости студентов по той или иной дисциплине позволяет сформировать индивидуальную траекторию работы обучаемого в семестре и тем самым повысить уровень их профессиональной подготовки. Прогнозирование – научно обоснованное предсказание вероятностного развития событий или явлений на будущее на основе статистических, социальных, экономических и других исследований. Основная цель прогноза — это определить тенденции факторов, воздействующих на конъюнктуру отрасли. В качестве инструментария прогнозирования чаще всего применяются формализованные количественные методы и методы экспертных оценок. Существуют следующие основные группы методов прогнозирования успеваемости студентов: – методы, основанные на регрессионных моделях, – методы кластерного анализа, – методы, основанные на дискриминантных моделях. Методы, основанные на регрессионных моделях, например, позволяют выявить связь между уровнем знаний и умений студентов по общепрофессиональным и специальным дисциплинам в зависимости от обеспечивающих курсов с помощью многофакторной линейной регрессионной модели. Методы кластерного анализа позволяют производить разбиение объектов по целому набору признаков, в качестве которых могут выступать уровень начальных знаний студентов, уровень сформированных компетенций, количество пропусков занятий. Для каждого кластера определяются эталонные значения параметров как усредненные данные по каждой типологической группе студентов. Эталонные значения будут использованы в качестве центров будущих кластеров, вокруг которых группируются наиболее близкие объекты по значениям выбранных параметров. Методы, основанные на дискриминантных моделях, предполагают, что заранее необходимо определить, какие факторные признаки могут влиять на успеваемость студентов и использовать эти факторы для классификации студентов по успеваемости, а также для повышения качества подготовки путем корректировки основных признаков. Дискриминантная модель оптимально разделяет множество объектов на подмножества и проводит классификацию новых объектов в тех случаях, когда неизвестно заранее, к какому из существующих классов они принадлежат. Однако данные методы не эффективны,так как поведение студентов бывает иррациональным. И тут на помощь может придти искусственные нейронные сети — это математические модели, построенные по принципу организации и функционирования биологических нейронных сетей.
Номер журнала Вестник науки №6 (15) том 3
Ссылка для цитирования:
Пискунов Л.А. АНАЛИЗ И ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ // Вестник науки №6 (15) том 3. С. 402 - 405. 2019 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/1743 (дата обращения: 23.04.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2019. 16+