Развитие технологии электронного портфолио на основе микросервисной архитектуры и технологии нейронных сетей

Процесс цифровизации активно влияет на сферу высшего и среднего образования, способствуя ускоренному развитию цифровой грамотности, а также позволяет анализировать, формировать индивидуальные траектории обучения, с выделением групп предметов, в ходе изучения которых учащийся показывает наилучшие результаты [1].

Повышение качества обучения с использованием цифровых технологий, применение когнитивных моделей обучения в условиях цифровой трансформации образования позволят продвинуть современные автоматизированные системы обучения и модели усвоения материала.

Одной из таких систем является система электронного портфолио, которая должна служить инструментом активного обучения студентов, став интеллектуальной средой личного обучения, а не только использоваться как инструмент оценки успеваемости или демонстрации достижений учащихся [2; 3].

Элементы конвергентного образования, интеграция различных смежных образовательных областей становятся реальностью современного образования. Вовлеченность студентов в различ- ные виды деятельности (учебная, научно-исследовательская, общественная, культурно-творческая, спортивная и т.д.), где они проявляют свои способности, приобретают необходимые навыки и компетенции заметно превосходят по объемам знаний и тем самым выгодно отличается от предыдущих поколений. Фиксация и учет индивидуальных особенностей, характера обучения и участие в различных мероприятиях являются актуальными задачами, которые решаются современным высшим образованием. Необходимо при этом отметить, что активная жизненная позиция обучающихся ориентирована на перспективу рп навыков для будущей работы.

В связи с этим дальнейшее развитие технологии электронного портфолио требует расширения системы, чтобы ответить на новые технологические и социальные вызовы, необходимо модернизировать и усовершенствовать функциональные и сервисные возможности на основе современных программных решений и платформ [3; 4].

Микросервисная архитектура, основанная на принципах сервисно-ориентированной архитектуры (SOA), позволяет расширить возможности электронного портфолио, разбивая сложную монолитную систему на более простые автономные

Селиванова Е.С., Клыжко Е.Н., 2025

сервисы, обеспечивая более гибкий и модульный процесс функционирования.

Цель настоящей работы заключается в построении расширенной архитектурной модели системы электронного портфолио на основе ми-кросервисной архитектуры с использованием современных технологий искусственного интеллекта. Предлагается расширение классической модели системы и рассматриваются примеры возможных программных реализаций.

Система электронного портфолио и единая образовательная среда вуза

Благодаря широкому развитию вычислительной техники и информационных технологий в Вузах появилась возможность собирать, формировать и анализировать данные с помощью электронного портфолио и электронной информационно-образовательной среды (ЭИОС). Анализ содержания электронного портфолио, а также ЭИОС в целом, позволил выявить основные данные, достижения и успеваемость студентов и выпускников, что впоследствии позволило сформировать цифровой профиль, а также построить его когнитивную модель.

Электронное портфолио – это система для сбора, хранения, обработки и передачи информации, полученной в течение учебного процесса в вузе в различных областях деятельности студента. Одна из актуальных проблем разработки электронного портфолио состоит в высокой сложности реализации и фиксации интегральных образовательных процессов, учете больших объемов данных, например: успеваемость студентов, учебные планы, расписание, когнитивные модели и т.д.

Исходя из поставленных задач, было решено развивать и разрабатывать электронное портфолио с использованием микросервисной архитектуры, где бы каждый сервис собирал, обрабатывал, хранил и передавал только предназначенную для него информацию.

Первоначально система электронного портфолио создавалась по классической схеме и состояло из следующих форм: информация об обучающемся, успеваемость, достижения, распределенные по категориям деятельности, такие как: учебная, научно-исследовательская, культурно-творческая, общественная и спортивная. В системе реализована возможность проведения различных научных, образовательных, творческих конкурсов для получения стипендий различных уровней на основе загруженных материалов.

С использованием системного анализа, предметной области и методологии структурного проектирования SADT, была разработана концептуальная схема архитектуры информационной системы (веб-приложения), представленная на рисунке 1.

Электронное портфолио обучающегося разработано и внедрено в Томском государственном педагогическом университете на базе системы управления обучением. Реализована интеграция системы с ЭИОС и порталом университета на базе системы управления обучением, что позволило также внедрить единую учетную запись в учебном сегменте локальной вычислительной сети университета.

Рисунок 1. Архитектура информационной системы электронного портфолио

Микросервисная архитектура системы электронного портфолио

Под микросервисной архитектурой в данной работе понимается подход к разработке приложения, как набора сервисов, каждый из которых может быть запущен в собственном процессе, при этом взаимодействие процессов осуществляется через HTTP. Такие сервисы разрабатываются с учетом бизнес-требований и развертываются независимо друг от друга [5; 6].

Благодаря использованию такого подхода, время цикла разработки всей системы электронного портфолио сократилось, повысилась отказоустойчивость приложения, упростилось обновление кода, и ускорился выход новых сервисов.

На рисунке 2 представлена микросервисная архитектура системы электронного портфолио.

Рисунок 2. Микросервисная архитектура системы электронного портфолио

Таблица 1. Основные характеристики микросервисов электронного портфолио

№	Микросервис	Основная функция	Ожидаемая нагрузка	Частота обновления	Масштабируемость	IT-технологии
1.	Проведение конкурсов	Организация и управление конкурсами	Неравномерная	При проведении конкурсов	Высокая (при наплыве заявок)	Python, Django, MariaDB
2.	Трудоустройство выпускников	Помощь в поиске работы и стажировок	Равномерная	При добавлении вакансии или наличии отклика	Средняя	Laravel, React scikit-learn, ligthGBM
3.	Цифровой профиль студента	Обработка образовательных данных	Неравномерная	В начале семестра и при прохождении психологических тестов	Средняя	PostgreSQL, Python, Django, keras
4.	Электронные ведомости	Учет оценок и зачетов	Равномерная	В конце семестра и после экзаменов	Низкая	Java, Spring, Tomcat
5.	Электронное расписание	Управление расписанием занятий	Равномерная	В начале семестра и при изменениях расписания	Средняя	ММИС, Avtor
6.	Электронный рейтинг	Формирование рейтинга обучающихся	Неравномерная	По запросу или при изменении оценок	Высокая (запросы на перерасчет)	Laravel, PHP, React

Пользователь проходит аутентификацию и через API может подключиться к различным сервисам, которые указаны на рисунке 2. Параллельно с подключением и загрузкой программы, происходит процесс донастройки конфигурации общей системы в соответствии с последними изменениями программных подсистем (сервисов). Затем после обнаружения нужного сервиса пользователю передается статичный контент, используя CDN (Content Delivery Network – сеть доставки контента) для оптимизации доставки содержимого.

В таблице 1 отражены основные характеристики микросервисов: основная функция, ожидаемая нагрузка, частота обновления, масштабируемость, а также IT-технологии, использовавшиеся при разработке микросервисов.

Сервис для проведения конкурсов по научно-образовательной и общественной деятельности в Вузе

Сервис для проведения конкурсов имеет веб-интерфейс, разработанный с использованием языка программирования PHP (фреймворк: Laravel), React и MariaDB, который предоставляет обучающимся возможность участвовать в различных типах конкурсов, проводимых вузом (научно-образовательные, творческие, спортивные, по общественной деятельности и т.д.). Для участия кандидату необходимо подать заявку в личном кабинете системы электронного портфолио на открытые в данный момент вузовские конкурсы. Загруженные материалы оцениваются экспертами, соответствующими направлению деятельности и типу выбранного конкурса.

Поэтому сервис имеет неравномерную информационную нагрузку, которая принимает максимальные значения в периоды проведения конкурсов и обслуживания заявок (таблица 1). Количество одновременно проводимых конкурсов в системе не ограничено, поэтому масштабирование сервиса является высоким.

При проверке система предоставляет возможности асинхронного общения участников, позволяя экспертам оперативно комментировать загруженные материалы. После проверки формируется рейтинг студентов и оглашаются списки победителей. Еще одним достоинством системы является возможность загружать материалы в течение всего периода обучения. Схема потоков данных и алгоритм обработки загружаемых материалов представлены на рисунке 3.

Студент

Отправляет заявку

Личный кабинет

Открытые конкурсы

Выбор конкурса

Загрузка материалов

Эксперты

Оценка материалов

Получение комментариев

--------------------------1

Формирование рейтинга

Рисунок 3. Схема потоков данных сервиса для проведения конкурсов

Сервис трудоустройства выпускников

В настоящее время рынок труда постоянно эволюционирует, что связано с изменением тенденций широкого спектра востребованных профессий. Это создает у обучающихся в вузе определенные трудности в процессе профессионального самоопределения. В ответ на эти вызовы система высшего образования должна оперативно адаптироваться к меняющимся требованиям рынка труда. Качество трудоустройства выпускников становится важным показателем, как их личной конкурентоспособности, так и уровня самого учебного заведения.

Наблюдение за карьерными путями выпускников позволяет эффективно отслеживать изменения на современном рынке труда. Анализ этих данных предоставляет возможность выявлять актуальные навыки и знания, которые необходимы для успешной профессиональной деятельности [7]. Важно, чтобы образовательные учреждения активно реагировали на эти изменения, обновляя свои учебные программы и методики.

Сервис разработан на Python с использованием фреймворка Django. Штатная ожидаемая нагрузка сервиса является равномерной, поскольку система обновляется при добавлении вакансии или наличии отклика, равномерно в течение учебного года при средней по экспертным оценкам масштабируемости (таблица 1).

Сервис для трудоустройства выпускников Томского государственного педагогического университета представляет собой программную платформу, которая интегрирует данные из системы электронного портфолио и предоставляет их работодателям через сайт службы содействия занятости (JobCenter). Сервис направлен на упрощение процесса поиска работы для выпускников и учащихся вуза, а также облегчение подбора квалифицированных кадров для работодателей. Основными функциями сервиса являются:

• 1.    Получение и обработка данных системы электронного портфолио. С использованием специально разработанного API данные из системы электронного портфолио обрабатываются программным сервисом по требованию пользователя.

• 2.    Поддержка базы данных потенциальных работодателей и вакансий. Система обеспечивает поддержку и хранение данных работодателей, списки вакансий, а также содержит систему фильтров, которая позволяет работодателям находить кандидатов по различным критериям, таким как специальность, уровень образования и опыт работы.

• 3.    Формирование и поддержка профилей вы-пускников/студентов. Каждый выпускник/сту-дент имеет свой профиль, который включает резюме и контактные данные. Профили кандидатов могут быть видимы только для определенных работодателей или доступны всем, в зависимости от настроек конфиденциальности.

Преимущества при работе с сервисом для пользователей (выпускников/студентов) следующие:

• –    упрощение процесса поиска работы и способа создания резюме;

• –    возможность представления своих достижений и навыков работодателям;

• –    доступ к актуальным вакансиям и предложениям.

Преимущества при работе с сервисом для внешних работодателей:

• –    доступ к базе данных обучающихся и выпускников вуза с достоверными данными;

• –    упрощение процесса подбора молодых специалистов;

  – возможность находить подходящих кандидатов с учетом специфики вакансий.

В связи с большим количеством информации, требующейся для эффективного анализа дальнейшего трудоустройства студентов и выпускников, разработана интеллектуальная система обработки больших данных, способная адаптироваться к текущему состоянию рынка труда и помогающая выпускникам в более раннем выборе своей будущей профессии. Система включает технологии, которые реализуются посредством языка программирования Python, а именно: библиотека машинного обучения scikit-learn, фреймворк ligthGBM, библиотека для интерпретации результатов Eli5 и SHAP.

С использованием библиотеки scikit-learn был проведен анализ с помощью алгоритмов машинного обучения логистическая регрессия и случайный лес, а с применением фреймворка ligthGBM реализован градиентный бустинг. Все модели, реализованные на алгоритмах, проходили оценку качества на тестовой выборке при помощи кросс-валидации или перекрестной проверке. При выполнении кросс-валидации использовался метод k-Fold.

Оценки качества модели при проведении перекрестной проверки приведены в таблице 2.

Для определения вклада каждого из признаков в итоговый результат, были применены библиотеки Eli 5 и SHAP.

Библиотека визуализации Eli5 использовалась для проверки значимости признаков модели случайного леса (таблица 3). Для данной модели веса признаков специальность/направление и форма обучения имеют наибольшие значения.

Таблица 2. Оценка качества модели

№	Наименование модели	Оценка точности, %
1.	Логистическая регрессия	58,73
2.	Cлучайный лес	60,31
3.	Градиентный бустинг	46,82

Таблица 3. Оценка качества модели на основе алгоритма Eli5

Весовой коэффициент	Наименование признака
0,2162 ± 0,0419	pr_дошкольное образование
0,2162 ± 0,0419	pr_начальное образование
0,0584 ± 0,0170	f_очная
0,0518 ± 0,0170	f_заочная
0,0495± 0,0144	sp_nap_пед_образован_с_21
0,0474 ± 0,0146	sp_nap_пед_образован_с_22
0,0470 ± 0,0124	pr_логопедия
0,0352 ± 0,0101	pr_физкультура

Благодаря использованию современных подходов сервис способствует более быстрому и качественному трудоустройству выпускников, а также позволяет адаптировать образовательные программы под реальные потребности рынка труда.

Цифровой профиль студента и использование когнитивного подхода

Сервис «Цифровой профиль обучающегося» предназначен для визуализации набора параметров обучающегося/выпускника (когнитивные параметры, учебные, научные, творческие, общественные достижения, успеваемость и другая учебная аналитика (Learning Analytics, LA), а также служит для веб-отображения образовательной траектории (Open Lerning Model, OLM), сформированной в процессе обучения в вузе [8]. Сервис разрабатывался с учетом образовательной модели обучающегося и представляет собой комплексный программный компонент, состоящий из различных подсистем управления учебным процессом.

При создании цифрового профиля использовались технологии Python, Django, PostgreSQL; для разработки нейронной сети применялась библиотека keras. Штатная нагрузка на сервис является неравномерной при средней масштабируемости, поскольку система обновляется раз в семестр, либо в случае прохождения психологических тестов (таблица 1).

Образовательная модель обучающегося/вы-пускника вуза рассматривается как совокупность усвоенных знаний, приобретенных общих и профессиональных компетенций и относится к классу OLM. Параметрами модели являются: требования, предъявляемые к выпускнику в соответствии с необходимыми стандартами; требования работодателей, формируемые исходя из текущей социально-экономической ситуации, как в регионе, так и стране; набор личностных характеристик выпускника, способствующих эффективному взаимодействию с коллегами и в обществе в целом; набор характеристик, раскрывающих уровень знаний в профессиональной сфере. Модель содержит набор учебных компетенций, список дисциплин, успеваемость (результаты зачетов и экзаменов), достижения в образовательной сфере (дипломы, грамоты, стипендии различного уровня и т.д.), а также набор индивидуальных характеристик [4; 9; 10].

В основе современных изменений образовательных подходов лежит необходимость развития различных видов интеллектуальных способностей студентов с опорой на достижения в области информационных технологии.

Когнитивные технологии направлены на активизацию студентов в образовательном процессе и стимулируют увеличение результативности обучения, так как преподаватель при таком подходе более ориентирован на обучаемого, а не на группу обучающихся. При использовании механизмов анализа когнитивных процессов становится возможным формировать персонализированные траектории и стратегии обучения, что оптимизирует применение ресурсов и ведет к повышению эффективности образовательного процесса [11; 12].

Использование технологийискусственного интеллекта

Исследование возможности применения технологий нейронных сетей в образовании для создания персонализированных методик обучения, а также формирование когнитивных моделей обучения, включающих особенности когнитивного развития студентов (усвоения знаний, динамику обучаемости и т.д.) позволяет автоматизировать значительную часть учебного процесса и тем самым повысить качественные показатели обучения в вузе. Внедрение нейронных сетей, различных цифровых технологий, тренажеров, интеллектуальных учебных материалов делает возможным построение новых траекторий персонализации обучения и реализацию личностно ориентированного обучения. Благодаря такому подходу станет возможным определять текущий уровень сформи-рованности компетенций студента, использовать адаптивные траектории обучения, своевременно выполнять анализ результатов обучения и т.д.

Одним из применений технологии нейронной сети является формирование рекомендаций по образовательному процессу студентов и администрации вуза. Для задачи формирования рекомендаций (задача классификации) была выбрана полносвязная нейронная сеть (Feedforward Neural Network, FNN) со следующей архитектурой: 8 параметров на входе, 2 скрытых слоя, выходной слой с 35-ю параметрами.

Количество нейронов на входном слое определялось количеством когнитивных параметров. Выбор количества скрытых слоев – 2 (минимальное количество, на котором формируются закономерности) для работы с небольшим датасетом ( n = 8 x 512) обусловлен тем, что увеличение скрытых слоев приводило к переобучению модели и увеличению количества эпох, способствующих уменьшению точности работы нейронной сети. Количество параметров на выходе – 35, определялось количеством рекомендаций по улучшению образовательного процесса (таблица 4).

Для разработки нейронной сети в данной задаче было проведено сравнение оптимизаторов, варьирование количества нейронов в скрытых слоях, а также влияние параметра скорости обучения lr .

Рассматривались следующие оптимизаторы: Adam, RMSprop, Adamax, SGD поскольку в задачах классификации они демонстрируют лучшие результаты [4].

В ходе исследования была определена структура нейронной сети и следующие параметры: оптимизатор Adam, 2 скрытых слоя n 1 = 256 и n ₂ = 128, lr = 0,01, функция активации в скрытых слоях ReLU, в выходном – softmax и для функции потерь выбрана разреженная категориальная кросс-энтропия (рисунок 4).

Для определения параметра точности предсказаний модели (рисунок 5) была выбрана метрика accuracy (1):

ac =____ TP + TN ____,      (1)

TP + TN + FP + FN где TP – количество верных меток, которые модель квалифицировала, как верные;

TN – количество неверных меток, которые модель квалифицировала как неверные;

FP – количество неверных меток, которые модель квалифицировала, как верные;

FN – количество верных меток, которые модель квалифицировала, как неверные.

Чтобы избежать переобучения нейронной сети, использовались метод регуляризации и остановка обучения, причем обучение прекращалось, если происходило 10 эпох без улучшений.

Таблица 4. Сравнительный анализ архитектур нейронных сетей

Тип нейронной сети	Архитектура	Область применения	Вычислительные требования	Ограничения
Полносвязная (Fully Connected, FNN, MLP)	Состоит из нескольких слоев нейронов, где все нейроны связаны	Классификация табличных данных, распознавание текстов	Средние вычислительные затраты	Не эффективна для обработки изображений или временных рядов
Сверточная (CNN)	Слой сверточных фильтров, которые последовательно уменьшают размерность данных, выявляя ключевые признаки	Обработка изображений, видео, распознавание объектов, компьютерное зрение	Высокие вычислительные затраты, особенно на больших изображениях и видео	Не подходит для работы с табличными данными или последовательностями
Рекуррентная (RNN, LSTM, GRU)	Использует временную зависимость и обратные связи для обработки последовательностей	Прогнозирование временных рядов, обработка текстов, речи	Высокие вычислительные затраты, сложность обучения	Может сталкиваться с проблемами исчезающего градиента
Трансформер (Transformer)	Модели, использующие механизмы внимания (attention), что позволяет эффективно обрабатывать длинные последовательности данных	Обработка естественного языка (NLP), машинный перевод, генерация текста	Эффективность на длинных текстах и многозадачность	Требует огромных вычислительных ресурсов, особенно для обучения на больших объемах данных

Для обучения нейронной сети был подготовлен датасет, состоящий из данных, полученных в ходе целенаправленного тестирования студентов, с помощью специализированных психологических тестов для определения когнитивных способностей человека. Перед обучением данные были нормализованы с применением метода логарифмической нормализации. Выбор такого метода обусловлен тем, что данные имеют большой разброс, а логарифм успешно приводит их к единой шкале.

В таблице 5 представлен результат работы нейронной сети, где приведен вывод семи рекомендаций для улучшения образовательного процесса. Вероятности рекомендаций рассчитываются и нормируются в программе с использованием функции активации softmax (2):

e xi

S ( x ). = — ’              (2)

E e j

j где x вектор выходных значений модели {xi : i = 1,n}, n = 35.

Когнитивные параметры обучающихся формируется в когнитивной подсистеме приложения (цифровой профиль обучающегося) на основе экспресс-тестирования (рисунок 6–7) с использованием психодиагностического комплекса M-CSP-test [13]. Далее данные передаются модулю, который отвечает за построение персональных траекторий обучения и статистические расчеты. Рекомендации сервиса «Цифровой профиль обучающегося» формируются с использованием нейронной сети (таблица 5–6), которая выбирает их из предварительно подготовленного словаря. Рекомендации словаря генерируются на основе интерпретаций когнитивных моделей психодиагностического комплекса M-CSP-test и являются обобщением числовых результатов тестирования [4; 14].

Рисунок 4. Расчетные значения параметров потерь обучения (1) и валидации (2)

Рисунок 5. Расчетные значения параметров: точности обучения нейронной сети (1) и валидации (2)

На рисунках 6–7 приведены примеры расчетов параметров когнитивной модели двух обучающихся, построенных на основе данных тестирования.

Таблица 5. Набор рекомендаций сервиса «Цифровой профиль обучающегося», сформированных с использованием нейронной сети для 1-го примера

№	Рекомендация	Вероятность
1.	Практиковать методики концентрации внимания, такие как медитация или специальные упражнения, для повышения продуктивности в учебе	0,83951
2.	Участвовать в регулярных консультациях с преподавателями для обсуждения вопросов и повышения уровня понимания материала	0,15933
3.	Активно участвовать в образовательном процессе, задавать вопросы и запрашивать дополнительные материалы для более глубокого понимания темы	0,00057
4.	Регулярно проводить самооценку своих знаний и навыков, чтобы выявлять слабые места и работать над их улучшением.	0,00027
5.	Внедрить в учебный процесс приложения для формирования графических конспектов и ментальных карт	0,00015

Таблица 6. Набор рекомендаций сервиса «Цифровой профиль обучающегося», сформированных с использованием нейронной сети для 2-го примера

№	Рекомендация	Вероятность
1.	Участвовать в регулярных консультациях с преподавателями для и повышения уровня понимания материала	0,86821
2.	Изучить методы активного слушания и внимательного анализа информации	0,11347
3.	Искать дополнительные образовательные ресурсы, такие как онлайн-курсы или литературу, для более глубокого изучения интересующих тем	0,01647
4.	Планировать и участвовать в проектах с применением полученных знаний для закрепления материала	0,00129
5.	Активно участвовать в дискуссиях и дебатах по учебным материалам для развития аналитического мышления и умения аргументировать свою точку зрения	0,00048

Рисунок 6. Параметры когнитивной модели 1-го обучающегося (пример 1)

Рисунок 7. Параметры когнитивной модели 2-го обучающегося (пример 2)

Заключение

На основе выполненных исследований была проведена модернизация системы электронного портфолио обучающегося с использованием ми-кросервисной архитектуры. Электронное портфолио является эффективной системой управления учебным процессом, включающее в себе такие сервисы как: цифровой профиль, систему проведения конкурсов, сервис для трудоустройства, электронные ведомости, систему расписания и электронный рейтинг. Построенная в результате исследований система управления учебным процессом позволяет собирать, обрабатывать и анализировать загруженные данные с использовани- ем разработанных сервисов. Обработка данных выбранным сервисом позволяет оптимизировать управление учебным процессом, что, в целом, ведет к улучшению его основных характеристик (успеваемость, вовлеченность обучающихся и т.д.). Оказываемые влияния не только улучшают когнитивные показатели успеваемости студентов в различных областях, но и координируют траектории развития обучающихся.

Цифровой профиль служит для отображения компетенций, которые получает студент в результате усвоения дисциплин в процессе обучения в Вузе, а когнитивная модель, в свою очередь, является основой для выделения когнитивных показателей студента в блоке цифрового профиля. Данная модель позволяет отслеживать индивидуальную траекторию студента и сопоставлять планируемую и реальную успеваемость.

В быстро изменяющейся цифровой среде представляется целесообразным использовать адаптивное управление образовательным процессом с применением когнитивного подхода, что ведет к разработке новых интеллектуальных систем для поддержки управленческих решений и адаптации их к самому широкому спектру возможных условий.