Современные тенденции в разработке информационных систем для образовательных целей на основе больших данных

Вестник Российского нового университетаСерия «Человек и общество», выпуск 1 за 2024 год

Натапов Максим Леонидович аспирант, Московский финансово-юридический университет МФЮА, Москва. Сфера научных интересов: большие данные в образовании: инструменты для проектирования и разработки информационных систем; инновационные подходы к проектированию и разработке информационных систем для образовательных учреждений. Автор двух опубликованных научных работ.

Для повышения уровня образования необходимо применять новые подходы. Технология Big Data, предоставляющая анализ обширных массивов информации, может в этом помочь. Она дает возможность формировать индивидуальный учебный план для каждого студента и оценивать эффективность обучения в учреждениях. Применение больших данных может стать ключевым для оценки качества образовательного процесса.

Пандемия COVID-19 кардинально изменила подход к образованию во многих учебных институтах, переведя их в онлайн-формат. Как подчеркивают И.В. Григорьева и Г.А. Болкунов, в этих условиях цифровые ресурсы стали не только неотъемлемым компонентом учебного процесса, но и основным фактором, влияющим на качество предоставляемого образования [1].

Цифровые методы активно применяются в образовательной сфере. Как отмечают Г.В. Ахметжанова и А.В. Юрьев, такие технологии имеют колоссальные перспективы. Они улучшают наглядность учебных программ, усиливают взаимодействие между преподавателями и студентами, а также помогают в создании международных учебных платформ [2, c. 335].

В России созданы Ассоциация больших данных, Университетский консорциум исследователей больших данных. Большие данные – одно из ключевых направлений исследований Программы фундаменталь- ных научных исследований Российской Федерации на долгосрочный период 2021– 2030 гг., направленной на получение новых знаний об основных закономерностях строения, функционирования и развития человека, общества, природы, необходимых для устойчивого научно-технологического, социально-экономического и культурного развития страны. «Стратегия по развитию информационного общества в Российской Федерации на период 2017–2030 годы» устанавливает ключевые направления российской политики в области информационных технологий (далее – ИТ). Она является базой для формирования внутренних и внешних целей и приоритетов страны по использованию ИТ. Стратегия нацелена на построение информационного общества, создание национальной цифровой экономики и защиту национальных интересов. В документе используются важные понятия, такие как Интернет вещей, облачные технологии и цифровая экономика, но стоит подчеркнуть, что понятие «цифровизация образования» в тексте не фигурирует.

В настоящее время, когда большие данные перестали быть новыми и неизученными объектами, их важность значительно возросла. Сегодня эксперты прогнозируют доступность возможности использования Big Data не только государственными структурами, но и организациями, в том числе образовательными, для построения моделей принятия управленческих решений.

Современные тенденции в разработке информационных систем для образовательных целей на основе больших данных

Это может быть реализовано посредством создания и использования таких объектов и технологий, как облачные хранилища, формирование которых обеспечивает хранение, быструю и экономичную обработку данных, искусственный интеллект (далее – ИИ), преимуществом которого является способность к обучению не на основе паттернов, а на основе метода «стимул-реакция», блокчейн-технология, позволяющая ускорить и упростить многочисленные интер-нет-транзакции, в том числе международные, и снизить затраты на их проведение и др.

Президент Российской Федерации в Указе № 474 от 21 июля 2020 года определил ключевые направления развития страны до 2030 года. Эти направления предоставляют множество возможностей для тех, кто хочет способствовать прогрессу страны и развивать свои профессиональные навыки. Важно отметить, что цифровая трансформация играет центральную роль в этих изменениях, внедряя инновации и современные технологии в различные сферы нашей жизни. Однако вопросы, связанные с использованием больших данных и методов машинного обучения в образовательных системах, остаются малоизученными, что, в свою очередь, подчеркивает необходимость продолжения исследований в данной области.

Информационно-образовательная платформа (далее – ИОС) представляет собой интеграцию программного обеспечения, технических инноваций и организационных решений, которые направлены на оптимизацию учебных и управленческих процессов в образовательных учреждениях. В качестве примера можно привести информационно-коммуникационную платформу «Сферум», которая представляет собой часть цифровой образовательной среды, создаваемой Минпросвещения и Минцифры в соответствии с постановлением Правительства РФ в целях реализации нацпроекта «Образование». ИОС имеет свою уникальную структуру, и ее компоненты представлены в Таблице 1.

В педагогических целях средства современных ИТ используются для развития личности обучаемого, подготовки индивида к комфортной жизни в условиях информационного общества; развития различных видов мышления; эстетического

Таблица 1

Основные элементы информационной системы

Компонент	Элементы/Описание
Технологическая инфраструктура	•    серверы и сетевое оборудование; •    компьютеры, мобильные устройства и другие устройства
Программное обеспечение	•    учебные платформы и порталы; •    системы управления обучением (LMS); •    аналитические и отчетные системы
Данные и контент	•    электронные учебные материалы и образовательный контент; •    базы данных с информацией об учащихся, преподавателях, курсах и других ресурсах
Организационные процессы	•    процедуры и правила по внедрению, эксплуатации и поддержке информационной системы; •    методики обучения и взаимодействия с использованием информационных технологий

Источник: составлено автором на основе: Чикина Е. Использование платформы «сферум» в образовательном процессе. URL: использование-платформы-сферум-в-о/ (дата обращения: 29.01.2024).

112 Вестник Российского нового университета112 Серия «Человек и общество», выпуск 1 за 2024 год

воспитания; развития коммуникативных способностей; формирования умений принимать оптимальное решение или предлагать варианты решения в сложной ситуации; развития умений осуществлять экспериментально-исследовательскую деятельность (например, за счет реализации возможностей компьютерного моделирования или использования оборудования, сопрягаемого с ЭВМ); формирования информационной культуры, умений осуществлять обработку информации. Принципы построения ИОС представлены в Таблице 2.

Представленные на отечественном и зарубежном рынке программные продукты для образовательных учреждений представляют собой комплексы программ, включающих в себя автоматизированные информационно-аналитические системы для руководителей, менеджеров по учебной и воспитательной работе, преподавателей (учителей), работников библиотеки, медицинского персонала, сотрудников бухгалтерии. При этом на рынке имеется достаточно большой спектр информационных систем, предназначенных как для среднего, так и для профессионального образования.

Приведем список различных информационных систем, используемых в сфере образования (Таблица 3).

Инструменты математической статистики, машинного обучения, компьютерной лингвистики, технологии искусственного интеллекта открывают дорогу для синтеза источников разных данных и улучшения работы системы образования.

Как отмечает С. Бейкер, эта область исследований открыла новые возможности для понимания и оптимизации образовательного процесса [5].

В то же время О.А. Фиофанова [6] в своей работе обращает внимание на проводимые учеными по всему миру исследования по использованию больших данных в сфере образования. Она делает вывод, что современные образовательные платформы

Таблица 2

Принципы построения ИОС

Принцип	Описание
Актуальность	Приоритетные задачи, критически важные для подготовки квалифицированных специалистов
Этапность	Пошаговая реализация, начиная с базовых элементов, переходя к сложным аспектам с накоплением опыта и развитием системы
Типизация и унификация проектирования	Применение типовых решений и общих принципов пользовательского интерфейса при создании подсистем
Гармоничное взаимодействие человека и техники	Логичное распределение функций между пользователями и техническими ресурсами для повышения эффективности
Многокомпонентность	Комбинирование программного обеспечения, обучающих материалов, тренировочных платформ, баз данных, технических средств и хранилищ информации
Интегральность	Объединение базовых знаний, профильных требований, обучающих материалов и междисциплинарных связей для углубления знаний
Распределенность	Оптимальное размещение информационных ресурсов на серверах с учетом технических ограничений и требований
Адаптивность	Гибкость системы для модификации информационного ядра и интеграции в существующую образовательную структуру без нарушения её основных принципов

Источник: составлено автором на основе [3, c. 34].

Современные тенденции в разработке информационных систем для образовательных целей на основе больших данных

Таблица 3

Виды информационных систем в образовательной сфере

Название системы	Описание	Примеры использования
Системы управления обучением (LMS)	Платформы для проведения он-лайн-курсов, оценки и отслеживания прогресса студентов	Moodle, Blackboard, Canvas
Системы управления контентом (CMS)	Платформы для создания, управления, хранения и публикации образовательного контента	WordPress, Joomla, Drupal
Системы для вебинаров	Платформы для проведения он-лайн-лекций, семинаров, встреч	Zoom, Microsoft Teams, Google Meet
Электронные библиотеки	Базы данных с доступом к академическим и научным ресурсам	JSTOR, PubMed, ScienceDirect
Системы для тестирования	Платформы для создания, проведения и оценки тестов и экзаменов	Google Forms, Quizlet, SurveyMonkey
Системы управления школой (SMS)	Системы для управления информацией о студентах, расписаниями, оценками и посещаемостью	Edmodo, ClassDojo, Gradelink
Интеллектуальные системы	Системы, использующие искусственный интеллект для адаптивного обучения, анализа данных и т. д.	DreamBox, Smart Sparrow, Knewton
Социальные сети для обучения	Платформы для общения, обмена знаниями и ресурсами между обучающимися	Edmodo, Schoology, Classroom

Источник: составлено автором на основе [4].

накапливают огромные объемы данных, которые могут быть полезными для улучшения образовательных процессов.

Б.А. Кондратенко и А.Б. Кондратенко [7] исследуют перспективы использования больших данных в сфере образования. Основное внимание в их исследовании уделяется проблеме выбора профессии в раннем возрасте и возможностям создания индивидуальных учебных планов для будущих студентов. Кроме того, такой подход предоставляет инструменты для отслеживания карьерного роста выпускников и делает данные об учебном процессе доступными для студентов.

Г.А. Мамедова, Л.А. Зейналова и Р.Т. Меликова [8] подчеркивают, что большие данные играют важную роль в образовании и могут решать разнообразные задачи, в том числе анализ учебных данных, выявление групп студентов со схожими харак- теристиками и возможность прогнозирования их успеваемости или возможных проблем в учебном процессе.

В исследовании Х. Рейндерса и И. Джеймса Ланя [9] рассматривается вопрос о необходимости обеспечения безопасности, конфиденциальности и соблюдения этичных принципов при обработке больших данных в образовании. Авторы настаивают на том, что учитывать эти аспекты обязательно, чтобы обеспечить надежное и справедливое обращение с информацией в образовательной сфере.

В.В. Утёмов и П.М. Горев [10] исследовали использование больших данных в сфере образования, изучали эффективность различных цифровых инструментов и анализировали взаимодействие студентов с онлайн-платформами. Кроме того, авторы анализировали особенности учебной среды и пытались прогнозировать, каким

114 Вестник Российского нового университета114 Серия «Человек и общество», выпуск 1 за 2024 год

образом система образования может измениться в будущем.

Еще одним важным аспектом при внедрении мультимедийных и цифровых технологий в учебный процесс являются цифровые риски, которые могут возникнуть при использовании онлайн-средств. В статье Е. Огурцовой и Р. Фадеева [11] рассматриваются потенциальные проблемы и опасности, связанные с использованием больших данных в образовании. Авторы подчеркивают, что соблюдение конфиденциальности и правильное применение результатов анализа данных имеют критическое значение для предотвращения негативных последствий.

К. Фишер и его коллеги [12] предложили классифицировать данные в сфере образования по трем уровням: микро, мезо и макро, что, безусловно, позволяет более структурированно организовать информацию в зависимости от ее объема и содержания, а также помогает определить, как эти данные могут быть использованы для улучшения образовательного процесса.

В своем исследовании К. Лидо, К. Рейд и М. Осборн [13] исследуют неформальное обучение, применяя методы анализа больших данных и искусственного интеллекта. Они анализируют разнообразные источники данных, в том числе результаты опросов, информацию о поведении и отношении учащихся к обучению, а также данные из социальных сетей и GPS-трекинга. Такой комплексный анализ позволяет глубже понять особенности и динамику неформального обучения с использованием цифровых технологий.

В работе В.И. Богословского, А.Л. Бусыгиной и В.Н. Аниськина [14] обсуждаются сложности внедрения цифровых технологий в образовательный процесс. Авторы подчеркивают важность адекватного отражения информации о мире в рамках об- разовательной среды и необходимость создания эффективной системы цифрового образования, которая бы помогла подготовить специалистов для работы в цифровой экономике.

Ожидается, что к 2025 году примерно 80 % населения мира будут использовать Интернет, и это будет оказывать влияние на множество профессий. Исследователи Н.П. Исмаилова и П.К. Рамазанова [15] считают, что образование имеет ключевое значение для подготовки людей к работе в этом цифровом мире. Они подчеркивают, что специалисты должны осваивать новые технологии, чтобы быть готовыми к будущим вызовам.

О.А. Фиофанова [16] выделяет три ключевых аспекта применения больших данных в сфере образования. Во-первых, Big Data помогают предсказать направление развития образования и более эффективно планировать будущие шаги; во-вторых, анализ больших данных позволяет принимать обоснованные решения на стратегическом уровне; и, в-третьих, сравнение различных методов управления и обучения на основе больших данных позволяет определить, какие из них демонстрируют лучшие результаты.

Дополнительное образование играет важную роль в жизни людей, позволяя им постоянно учиться и развиваться. Исследование В.И. Колыхматова [17] подчеркивает особую важность дополнительного образования для развития цифровой экономики в России. Он указывает на то, что современным людям необходимы определенные цифровые навыки, чтобы успешно ориентироваться в мире технологий и быть в курсе последних тенденций в цифровой эпохе.

Сегодня многие стремятся разобраться в том, как эффективно использовать большие объемы данных для улучшения

Современные тенденции в разработке информационных систем для образовательных целей на основе больших данных

образования. Исследования Е.В. Бебениной и О.М. Елкина [18] показывают, что технологии Big Data позволяют разрабатывать индивидуальные учебные программы, которые соответствуют потребностям каждого студента.

Внедрение больших данных в процесс обучения все еще находится в зачаточном состоянии и пока ограничено технологическими проблемами и менталитетом, однако сближение разработок в области психологии, науки о данных и информатики открывает большие перспективы в революционизировании образовательных исследований, практики и промышленности. Кратко резюмируем результаты представленного обзора литературы, посвященной анализу того, как большие данные используются в учебных целях (Таблица 4).

Создание программ на основе больших данных для образования – сложная задача с многими нюансами, которые представлены в Таблице 5.

Большие данные особо востребованы при организации адаптивного обучения , когда учебная программа «подстраивается» под ученика. Например, если ученик работает в онлайн-приложении, оно видит, с чем ученик легко справляется и в чем он испытывает трудности, и подает материал именно под его нужды. Такой подход делает обучение более личностно-ориентированным и эффективным. Для этого используют разные технологии, алгоритмы и отзывы.

Таблица 4

Направления использования «больших данных» в образовании

Описание направления	Программное обеспечение
Анализ и отслеживание успеваемости и активности студентов для улучшения образовательного процесса	•    Edmodo: платформа для общения между учителями, учениками и родителями; •    Moodle: система управления обучением; •    Canvas: платформа для организации онлайн-обучения
Прогнозирование уровня успеваемости студентов на основе анализа данных, сбора информации об их прошлом опыте и текущей активности	•    BrightBytes: анализирует данные для улучшения образовательных результатов; •    Civitas Learning: помогает в анализе и визуализации данных обучения для принятия осознанных решений
Анализ поведения и взаимодействия студентов в классе для улучшения педагогических стратегий	•    Classcraft: игровая платформа для улучшения взаимодействия и мотивации; •    ClassDojo: платформа для общения и обратной связи между учителями, учениками и родителями
Создание адаптивных образовательных материалов на основе анализа данных о предпочтениях и потребностях студентов	•    Knewton: адаптивное обучение с индивидуальной поддержкой; •    DreamBox Learning: адаптивные математические программы.
Разработка индивидуальных образовательных программ и материалов, адаптированных под потребности каждого студента	•    Squirrel AI Learning: платформа для персонализированного обучения с использованием ИИ •    Century Tech: адаптивное обучение с использованием ИИ
Оптимизация управления учебными процессами и ресурсами на основе анализа данных	•    Alma: система управления школой; •    Classcraft: игровая платформа для улучшения взаимодействия и мотивации
Сбор и анализ отзывов студентов для улучшения образовательного процесса	•    Panorama Student Success: платформа для анализа обратной связи и отслеживания успехов студентов; •    Qualtrics: платформа для сбора и анализа данных

Источник: составлено автором на основе [6].

116 Вестник Российского нового университета116 Серия «Человек и общество», выпуск 1 за 2024 год

Таблица 5

Особенности разработки программного обеспечения на основе больших данных в образовательной сфере

Особенность разработки	Описание
Сбор и анализ данных	Сбор данных из различных источников, предобработка и очистка данных, анализ данных для выявления тенденций и закономерностей
Адаптивное обучение	Разработка алгоритмов машинного обучения для создания адаптивных образовательных программ и контента, персонализация обучения
Повышение взаимодействия	Создание игровых механик и систем вознаграждения для повышения мотивации и взаимодействия студентов
Улучшение управления ресурсами	Использование аналитики для оптимизации распределения ресурсов и управления учебными процессами, создание дашбордов и отчетов
Поддержка принятия решений	Создание инструментов для поддержки принятия решений на основе данных для преподавателей и администраторов
Безопасность данных	Обеспечение безопасности и конфиденциальности данных студентов и преподавателей, соблюдение законодательства в области защиты данных
Масштабируемость	Разработка масштабируемых решений, способных эффективно работать с большим объемом данных и большим числом пользователей
Обратная связь и улучшение ПО	Сбор обратной связи от пользователей и непрерывное улучшение ПО на основе анализа данных и отзывов пользователей.
Интеграция с существующими системами	Возможность интеграции с другими образовательными и административными системами для обмена данными и улучшения совместимости

Источник: составлено автором на основе: Адаптивная система обучения: эффективные методы и преимущества // Научные – портал для студентов и аспирантов. URL: (дата обращения: 29.01.2024).

Ниже приведены ключевые аспекты адаптивного обучения с использованием больших данных (Таблица 6).

В педагогике прогнозирование помогает учителю предсказать, как будет развиваться ученик в будущем и что от этого можно ожидать. Для прогнозирования используются специальные алгоритмы и данные об успеваемости студентов, что помогает выявить возможные трудности ученика и предложить решения (Таблица 7).

Технологии больших данных помогают сделать управление учебными заведениями лучше и эффективнее, оптимально распределять ресурсы (Таблица 8).

С развитием технологий и ростом популярности Интернета учиться стало проще. На сегодняшний день существуют разные онлайн-платформы для обучения, позво- ляющие экономить время и деньги. Такие платформы, используя большие данные, предлагают учащимся индивидуальный план обучения, анализируют их успехи и поведение, дают им персональные советы и быстро отвечают на вопросы.

В 2013 году Университет Ноттингем Трент запустил систему для отслеживания активности студентов. Если студент не проявляет активности более двух недель, система оповещает его наставника, и он может оказать помощь. Через три года 72 % студентов первого курса стали чаще пользоваться этой системой, и это помогло им учиться лучше. Данный пример показывает, как технологии могут помочь студентам быть более успешными.

Чтобы применять большие данные в работе, необходим учет разных параметров.

Современные тенденции в разработке информационных систем 117для образовательных целей на основе больших данных 117

Таблица 6

Особенности адаптивного обучения на основе больших данных

Особенности	Описание
Персонализированные образовательные пути	Анализ прошлых и текущих достижений, предпочтений и скорости обучения учащихся для создания индивидуальных образовательных маршрутов
Реальное время адаптации	Отслеживание прогресса учащихся в реальном времени для адаптации материалов и заданий
Обратная связь и поддержка	Предоставление непрерывной обратной связи учащимся и учителям для развития понимания и улучшения прогресса
Аналитика обучения	Сбор и анализ данных о поведении и успехах учащихся для улучшения методов обучения и поддержки
Автоматизированная оценка	Автоматизация оценки ответов учащихся и предложение подходящей обратной связи с помощью алгоритмов машинного обучения
Рекомендательные системы	Рекомендации по учебным ресурсам, курсам и заданиям на основе прошлых успехов и интересов учащихся

Источник: составлено автором на основе: Как большие данные формируют адаптивное обучение // 2022. 15 апреля. URL: (дата обращения: 29.01.2024).

Таблица 7

Обзор возможностей прогностического анализа для поддержки образовательного процесса на основе больших данных

Параметры	Описание
Раннее выявление проблем	Определение и раннее выявление проблем в успеваемости студентов
Персонализированные рекомендации	Предложение персонализированных ресурсов и стратегий для улучшения успеваемости
Поддержка принятия решений	Предоставление данных учителям и администрации для лучшего принятия решений
Отслеживание эффективности	Мониторинг эффективности предложенных мер поддержки
Анализ образовательных трендов	Идентификация общих образовательных трендов и паттернов

Источник: составлено автором на основе: Искусственный интеллект в образовании: трансформация учебного процесса через инновационные технологии // Горизонты ИИ. 2023. 6 декабря. URL: (дата обращения: 29.01.2024).

В этом помогают:

• •    SQL – язык запросов, который применяют при работе с реляционными СУБД;

• •    нейросети, натренированные с помощью машинного обучения так, чтобы за секунды обработать тонны информации и представить точные данные для самых сложных задач.

Чтобы извлекать нужные сегменты информации и преобразовывать их в понят- ные отчёты и графики, используют специальные аналитические сервисы на базе Business Intelligence (BI), например, Power BI Microsoft – сервис бизнес-аналитики, который собирает данные из CRM, Excel-таблиц и других источников, а затем представляет их в виде интерактивных отчётов.

Ниже представлено детальное описание интерактивных платформ на базе больших данных (Таблица 9).

118 Вестник Российского нового университета118 Серия «Человек и общество», выпуск 1 за 2024 год

Таблица 8

Основные направления автоматизации административных процессов в образовании с применением больших данных

Направление	Описание
Автоматический сбор и обработка данных	Системы собирают данные о посещаемости, оценках и другие важные метрики для быстрого анализа
Аналитика в реальном времени	Мониторинг ключевых показателей эффективности в реальном времени для принятия быстрых решений
Оптимизация распределения ресурсов	Определение оптимального распределения ресурсов – от расписания до распределения бюджета
Предсказательный анализ	Прогнозирование будущих требований и потребностей на основе анализа исторических данных
Автоматизация рутинных задач	Снижение административной нагрузки через автоматизацию рутинных задач, например, составление расписания
Улучшение взаимодействия с заинтересованными сторонами	Улучшение коммуникации между учебным заведением, студентами и родителями
Безопасность и защита данных	Обеспечение безопасности данных и соответствие нормативным требованиям по защите данных

Источник: составлено автором на основе: Искусственный интеллект в образовании: трансформация учебного процесса через инновационные технологии // Горизонты ИИ. 2023. 6 декабря. URL: (дата обращения: 29.01.2024).

Таблица 9

Интерактивные образовательные платформы на основе больших данных

Направление	Описание	Примеры ПО
Адаптивное обучение	Персонализированные учебные планы, адаптированные под индивидуальные нужды и скорость обучения каждого студента	Squirrel AI, DreamBox Learning
Реальное взаимодействие	Форумы, чаты и видеоконференции для общения с преподавателями и сокурсниками в реальном времени	Blackboard, Zoom
Аналитика успеваемости	Анализ результатов тестов и выполнения заданий для отслеживания прогресса студентов	Knewton, D2L
Интерактивные учебные материалы	Динамические графики, интерактивные тесты и видеоуроки для повышения вовлеченности студентов	Kahoot!, Quizizz
Обратная связь в реальном времени	Мгновенные отзывы и рекомендации по улучшению на основе ответов и взаимодействия студентов	Classcraft, Edmodo
Рекомендательные системы	Рекомендации по дополнительным материалам и курсам для улучшения понимания определенных тем	Coursera, edX

Источник: составлено автором на основе: Искусственный интеллект в образовании: трансформация учебного процесса через инновационные технологии // Горизонты ИИ. 2023. 6 декабря. URL: (дата обращения: 29.01.2024).

В образовании планируют активно использовать технологии VR и AR. Эти инструменты сделают учебу более интерактивной. До 30 % учебных материалов мо-

гут быть представлены в VR/AR-форматах, особенноесли их сложнопоказать обычным способом. Россия планирует потратить 750 млн рублей до 2024 года на дополне-

Современные тенденции в разработке информационных систем для образовательных целей на основе больших данных

ние детского образования цифровыми технологиями, включая VR и AR. С помощью больших данных можно сделать VR и AR еще более интересными и персональными (Таблица 10).

Искусственный интеллект и Big Data – два технологических явления, которые переформатируют мир, каким мы его знаем. Эти две технологии сейчас активно проникают в образовательный сектор, обещая революционизировать способы обучения и преподавания. Пересечение ИИ и Big Data в образовании создает новую ландшафтную карту, формирующую будущее обучения и преподавания. Суть работы ИИ сводится к тому, что он постоянно обучается на большом количестве данных. Прежде чем система ИИ начнет помогать человеку, ее саму необходимо долго и старательно обучать. Наиболее распространенная и давно применимая сфера приложения ИИ в образовании – Интеллектуальная система обучения (ИСО) – представляет собой персонализированное учебное пособие, которое организует материал в зависимости от возможностей и потребностей обучающегося. Наиболее удачно такие системы зарекомендовали себя в точных науках как хорошо структурированных областях знания. Совмещая инструменты и технологии трех базовых сфер применения ИИ в обучении (интеллектуальных обучающих систем, систем обучения на основе диалога, исследовательских сред), можно получить мощные обучающие решения, которые удовлетворяют запросам разных участников обучающего процесса: обучающихся, преподавателей, разработчиков и заказчиков.

ИИ представляет собой набор простых алгоритмов. Из простых алгоритмов собираются «алгоритмические гирлянды», «ансамбли алгоритмов», которые позволяют делать много полезного в образовании: строить образовательные траектории, принимать решения, анализировать конструкцию урока или формировать адаптивные группы. Среди алгоритмов в «гирляндах» могут быть как простые модели вроде байесовских сетей, так и предо-бученные нейросети, а иногда и теневое обучение. Те вещи, которые сегодня работают как часы, это, как правило, предобу-ченные нейросети, способные выполнять конкретную задачу, например, распознавание эмоций приходящих в класс детей.

Таблица 10

Применение больших данных в образовательных VR и AR-средах

Направление	Описание
Персонализированные обучающие сценарии	Анализ прошлых успехов и проблем учащихся с помощью больших данных для создания персонализированных обучающих сценариев в VR/AR
Адаптивные оценочные системы	Адаптация систем оценки к индивидуальному прогрессу студента с использованием аналитики больших данных в VR/AR-среде
Интерактивные элементы и обратная связь	Создание динамичных и интерактивных элементов в VR/AR, обеспечение обратной связи в реальном времени с помощью больших данных
Создание реалистичных симуляций	Использование больших данных для создания реалистичных симуляций, позволяющих студентам практиковаться в VR/AR среде
Улучшение взаимодействия и сотрудничества	Анализ данных о взаимодействии и сотрудничестве между студентами в VR/AR-средах для улучшения групповых динамик и обучающих опытов
Оптимизация контента и ресурсов	Определение наиболее эффективных и популярных образовательных ресурсов, и контента в VR/AR с помощью аналитики больших данных

Источник: составлено автором на основе [19].

Вестник Российского нового университетаСерия «Человек и общество», выпуск 1 за 2024 год

В завершение настоящей статьи отметим, что новые технологии, включая облачные вычисления, машинное обучение и большие данные, переопределяют развитие образования. Они делают учебу более динамичной и личностно-ориентированной. Особенно большие данные помогают учебным учреждениям анализировать информацию, улучшать методы обучения и повышать качество образования, что ведет к лучшим результатам у студентов.

Использование больших данных в образовании позволяет создавать индивидуальные подходы к обучению, а это делает учебу более интересной для студентов.

Однако важно учитывать безопасность и конфиденциальность данных. В будущем эти технологии помогут формировать образовательные стратегии, давая каждому студенту возможность развиваться наилучшим образом. Более того, интеграция искусственного интеллекта и Big Data в образовании может изменить роль преподавателей. Вместо того чтобы быть единственным источником знаний, учителя могут стать фасилитаторами обучения, сопровождая студентов по индивидуальному учебному пути. Это делает преподавание более насыщенным и влиятельным, повышая качество образования.