Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов

Введение. Профессиональное развитие студентов требует эффективного взаимодействия обучающихся с преподавателями, научными работниками и администрацией вуза, а также с другими обучающимися, представителями профессионального сообщества и агентами рынка труда. Результативность таких коммуникаций обусловлена их информационным обеспечением, оперативно предоставляющим достоверные сведения всем субъектам образовательного процесса.

Цель изложенного в статье исследования – изучение потенциала методов машинного обучения для действенного управления образовательным процессом на примере реализации компонента информационного обеспечения, предназначенного для диагностики и прогнозирования профессионального развития обучающихся посредством автоматического анализа их текстов.

Методология и методы. Теоретической базой исследования послужило моделирование профессионализации студентов с помощью компьютерного анализа информативности и профессиональной актуальности текстов их письменных работ. Для определения специфики профессионального развития разных групп будущих специалистов был задействован метод кластеризации k-средних. При построении модели классификации обучающихся применялся статистический метод распознавания Байеса.

Результаты и научная новизна. С тем чтобы оценить общий и специальный словарный запас учащихся, была выполнена программная обработка текстов, написанных на разных этапах образовательного процесса в вузе. Выявлены закономерности и особенности усвоения студентами общенаучной и профессиональной терминологии. Исходя из этого сформированы группы учащихся, каждой из которых свойственны определенные тренды образовательного поведения. Продемонстрировано, как такая дифференциация, основанная на комплексе предварительно отобранных динамических показателей, характеризующих изменения профессионального лексикона, расширяет возможности диагностики и прогнозирования профессионального роста учащихся. Оговаривается, что эффективность подобных интеллектуальных систем определяется не только постоянным пополнением базы данных, от объема которых зависит точность модели классификации обучающихся и, соответственно, прогноза их профессионализации. Не менее важную роль играет совершенствование базы знаний, содержащей критерии профессионального развития, и соблюдение требования актуальности базовых словарей, поддержка которой может и должна осуществляться с участием представителей профессионального сообщества.

Практическая значимость. Предлагаемое информационное обеспечение управления профессиональным развитием учащихся может использоваться как для принятия оперативных решений, так и при разработке содержания и технологий образования. Благодаря такой системе студенты могут оценить результаты собственной подготовки, сопоставляя свои достижения с более ранними работами, работами однокурсников, целевыми показателями употребления общенаучной и профессиональной терминологии. Преподавателям данный компонент информационного обеспечения позволяет проводить мониторинг терминологической содержательности созданных студентами текстов и легко определять их авторство по частотности общего словаря обучающегося и характеру изменений используемой лексики. Представители рынка труда наряду с доступом к информации о текущей успеваемости студента могут определить его перспективы как будущего работника. Для руководителей образовательных программ и администрации вуза открываются новые возможности получать объективную информацию о содержательности тех или иных дисциплин, судя по тому как их изучение отражается на общем и профессиональном уровнях развития студентов.

1. Тайхлер У. Многообразие и диверсификация высшего образования: тенденции, вызовы и варианты политики // Вопросы образования. 2015.№ 1. С. 14–38.

2. Захарова И. Г. Big Data и управление образовательным процессом // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. 2017. № 1. С. 210–219.

3. Шориков А. Ф. Методология моделирования многоуровневых систем: иерархия и динамика // Прикладная информатика. 2006. № 1. С. 136–141.

4. Зеер Э. Ф., Журлова Е. Ю. Навигационные средства как инструменты сопровождения освоения компетенций в условиях реализации индивидуальной образовательной траектории // Образование и наука. 2017. № 3. С. 77–93 [Электрон. ресурс]. Режим доступа: https://doi.org/10.17853/1994-5639-2017-3-77-93 (дата обращения: 25.08.2018)

5. Катаев М. Ю., Кориков А. М., Мкртчян В. С. Концепция и структура автоматизированной системы мониторинга качества обучения студентов // Образование и наука. 2017. № 10. С. 30–46 [Электрон. ресурс]. Режим доступа: https://doi.org/10.17853/1994-5639-2017-10-30-46 (дата обращения: 25.08.2018)

6. Siemens G., Baker R. S. Learning Analytics and Educational Data Mining: Towards Communication and Collaboration // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. April 29 – May 02. 2012. Vancouver, BC, Canada. New York: ACM, 2012. P. 252–254.

7. Baker R. S., Inventado P. S. Educational Data Mining and Learning Analytics // Learning Analytics: from Research to Practice. Berlin: Springer, 2014. P. 61–75.

8. Зеер Э. Ф., Степанова Л. Н. Портфолио как инструментальное средство самооценивания учебно-профессиональных достижений студентов // Образование и наука. 2018. № 6. С. 139–157 [Электрон. ресурс]. Режим доступа: https://doi.org/10.17853/1994-5639-2018-6-139-157 (дата обращения: 25.08.2018)

9. Beckmann J., Weber P. Cognitive Presence in Virtual Collaborative Learning: Assessing and Improving Critical Thinking in Online Discussion Forums // Interactive Technology and Smart Education. 2016. № 1. P. 52–70.

10. Смирнов И. Б., Сивак Е. В., Козьмина Я. Я. В поисках утраченных профилей: достоверность данных «ВКонтакте» и их значение для исследований образования // Вопросы образования. 2016. № 4. С. 106–122.

11. Степаненко А. А., Шиляев К. С., Резанова З. И. Атрибуция профессиональных интересов пользователей социальной сети «ВКонтакте» на основе текстов тематических групп и персональных страниц // Вестник Томского государственного университета. Филология. 2018. № 52. С. 130–144.

12. Можаева Г. В., Слободская А. В., Фещенко А. В. Информационный потенциал социальных сетей для выявления образовательных потребностей школьников // Открытое и дистанционное образование. 2017. № 3. С. 25–29.

13. Feshchenko A., Goiko V., Stepanenko A. Recruiting University Entrants via Social Networks // Proceedings 9th International Conference on Education and New Learning Technologies. July 03–05.2017. Barcelona, Spain. Valencia: IATED, 2017. P. 6077–6082.

14. Резанова З. И., Романов А. С., Мещеряков Р. В. О выборе признаков текста, релевантных в автороведческой экспертной деятельности // Вестник Томского государственного университета. Филология. 2013. № 6. С. 38–52.

15. Напреенко Г. В. Идентификация текста по его авторской принадлежности на лексическом уровне (формально-количественная модель) // Вестник Томского государственного университета. 2014. № 379. С. 17–23.

16. McNamara D. S., Crossley S. A.. Roscoe R. D., Allen L. K., Dai J. A Hierarchical Classification Approach to Automated Essay Scoring // Assessing Writing. 2015. № 23. P. 35–59.

17. Skalicky S., Crossley S. A., McNamara D. S., Muldner K. Identifying Creativity During Problem Solving Using Linguistic Features // Creativity Research Journal. 2017. № 4. P. 343–353.

18. Crossley S. A., Muldner K., McNamara D. S. Idea Generation in Student Writing: Computational Assessments and Links to Successful Writing // Written Communication. 2016. № 3. P. 328–354.

19. Kovanović V., Joksimović S., Mirriahi N., Blaine E., Gašević D., Siemens G., Dawson S. Understand Students' Self-Reflections through Learning Analytics // Proceedings of the 8nd International Conference on Learning Analytics and Knowledge. March 07–09. 2018. Sydney, NSW, Australia. New York: ACM, 2018. P. 389–398.

20. Kyle K., Crossley S., Berger C. The Tool for the Automatic Analysis of Lexical Sophistication (TAALES): Version 2.0 // Behavior Research Methods. 2018. № 3. P. 1030–1046.

21. Kyle K., Crossley S., Berger C. Formative Essay Feedback Using Predictive Scoring Models // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. August 13–17. 2017. Halifax, NS, Canada. New York: ACM, 2017. P. 2071–2080.

22. Cantabella M. de la Fuente E. D., Martínez-España R., Ayuso B.. Muñoz A. et al. Searching for Behavior Patterns of Students in Different Training Modalities through Learning Management Systems // Proceedings of the International Conference on Intelligent Environments (IE). August 21–25. 2017. Seoul. South Korea. New York: IEEE, 2017. P. 44–51.

23. Li L. Y., Tsai C. C. Accessing Online Learning Material: Quantitative Behavior Patterns and Their Effects on Motivation and Learning Performance // Computers & Education. 2017. № 114. P. 286–297.

24. Liu J., Yang Z., Wang X., Zhang X., Feng J. An Early-Warning Method on e-Learning // E-Learning, E-Education and Online Training. Lecture Notes of the Institute for Computer Sciences. Social Informatics and Telecommunications Engineering. 2018. Vol. 243. Cham: Springer, 2018. P. 62–72.

25. Коэльо Л. П., Ричарт В. Построение систем машинного обучения на языке Python. Москва: ДМК Пресс, 2016. 302 с.

26. Bird S., Klein E., Loper E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. Sebastopol. CA: O'Reilly Media. 2009. 504 c.

27. Сарыбеков М. Н., Сыдыкназаров М. К. Словарь науки. Общенаучные термины и определения, науковедческие понятия и категории. Алматы: ТРИУМФ-Т. 2008. 504 с.